Semi-orthogonale Embedding für eine effiziente unsupervisierte Anomalie-Segmentierung

Wir präsentieren die Effizienz der semi-orthogonalen Embedding-Methode für die unsupervisierte Anomalie-Segmentierung. Multiskalare Merkmale aus vortrainierten CNNs werden kürzlich zur Berechnung lokalisiertes Mahalanobis-Distanzen eingesetzt, wobei eine signifikante Leistungssteigerung erzielt wurde. Allerdings stellt die zunehmende Merkmalsgröße eine Herausforderung bei der Skalierung auf größere CNNs dar, da die Batch-Inversion eines mehrdimensionalen Kovarianz-Tensors erforderlich ist. Hier verallgemeinern wir eine ad-hoc-Methode, die zufällige Merkmalsauswahl, zu einer semi-orthogonalen Embedding-Technik zur robusten Approximation, wodurch die Rechenkosten für die Inversion des mehrdimensionalen Kovarianz-Tensors kubisch reduziert werden. Durch detaillierte Ablationstudien wird gezeigt, dass die vorgeschlagene Methode für die Datensätze MVTec AD, KolektorSDD, KolektorSDD2 und mSTC eine neue State-of-the-Art-Leistung mit signifikanten Abständen erreicht. Theoretische und empirische Analysen liefern Einblicke und eine Validierung unseres einfachen, jedoch kosteneffizienten Ansatzes.