Selbstüberwachtes prädiktives konvolutionales Aufmerksamkeitsblock-Modell für die Anomalieerkennung

Die Anomalieerkennung wird häufig als One-Class-Klassifikationsproblem angegangen, bei dem Modelle ausschließlich auf normalen Trainingsbeispielen lernen können, während sie sowohl auf normalen als auch auf anomalen Testbeispielen evaluiert werden. Unter den erfolgreichen Ansätzen zur Anomalieerkennung stellt eine herausragende Kategorie Methoden dar, die auf der Vorhersage maskierter Informationen (z. B. Bildpatches, zukünftige Frame) basieren und die Rekonstruktionsfehler bezüglich der maskierten Bereiche als Anomalie-Score nutzen. Im Gegensatz zu verwandten Ansätzen schlagen wir vor, die auf Rekonstruktion basierende Funktionalität in ein neuartiges, selbstüberwachtes prädiktives architektonisches Bauelement zu integrieren. Das vorgeschlagene selbstüberwachte Bauelement ist generisch und lässt sich problemlos in verschiedene state-of-the-art-Methoden zur Anomalieerkennung einbinden. Unser Bauelement beginnt mit einer konvolutionellen Schicht mit dilatierten Filtern, wobei der zentrale Bereich des Empfindlichkeitsfeldes maskiert ist. Die resultierenden Aktivierungskarten werden anschließend durch ein Kanal-Attention-Modul geleitet. Das Bauelement ist mit einer Verlustfunktion ausgestattet, die den Rekonstruktionsfehler bezüglich des maskierten Bereichs im Empfindlichkeitsfeld minimiert. Wir zeigen die Allgemeingültigkeit unseres Bauelements, indem wir es in mehrere state-of-the-art-Frameworks für die Anomalieerkennung in Bildern und Videos integrieren. Empirische Ergebnisse belegen erhebliche Leistungsverbesserungen auf den Datensätzen MVTec AD, Avenue und ShanghaiTech. Wir stellen unseren Code als Open-Source unter https://github.com/ristea/sspcab zur Verfügung.