Student-Teacher Feature Pyramid Matching für die Anomalieerkennung

Die Anomalieerkennung ist eine anspruchsvolle Aufgabe und wird üblicherweise als One-Class-Lernproblem formuliert, da Anomalien unerwartet auftreten. In diesem Artikel wird ein einfacher, jedoch leistungsfähiger Ansatz für dieses Problem vorgestellt, der im Student-Teacher-Framework implementiert ist, um dessen Vorteile auszunutzen, jedoch erheblich in Bezug auf Genauigkeit und Effizienz erweitert wird. Gegeben ein stark vortrainiertes Modell für die Bildklassifikation als Lehrer, wird das Wissen in ein einzelnes Student-Netzwerk mit identischer Architektur transferiert, um die Verteilung anormalitätsfreier Bilder zu lernen; dieser einstufige Transfer bewahrt dabei die entscheidenden Hinweise so weit wie möglich. Darüber hinaus integrieren wir eine mehrskalige Merkmalsübereinstimmungsstrategie in das Framework. Diese hierarchische Merkmalsübereinstimmung ermöglicht es dem Student-Netzwerk, eine Mischung aus mehrstufigen Wissensinhalten aus dem Merkmalspyramiden-Modell unter besserer Aufsicht zu erhalten, wodurch die Erkennung von Anomalien unterschiedlicher Größe möglich wird. Die Differenz zwischen den durch die beiden Netzwerke generierten Merkmalspyramiden dient als Bewertungsfunktion, die die Wahrscheinlichkeit des Auftretens einer Anomalie indiziert. Durch diese Operationen erreicht unser Ansatz eine genaue und schnelle pixelgenaue Anomalieerkennung. Auf dem MVTec-Anomalieerkennungsdatensatz erzielt unser Verfahren sehr wettbewerbsfähige Ergebnisse, die die der aktuellen State-of-the-Art-Methoden übertrifft.