Jiawei Liu Jiahe Hou Wei Wang Jinsong Du Yang Cong Huijie Fan

Abstract

Die Anomalieerkennung, deren Ziel darin besteht, Abweichungen von normalen Mustern zu identifizieren, ist aufgrund der begrenzten Verfügbarkeit normaler Daten herausfordernd. Im Gegensatz zu den meisten bestehenden einheitlichen Methoden, die auf sorgfältig entworfenen Bildmerkmalsextraktoren und Speicherbanken zur Erfassung logischer Beziehungen zwischen Objekten setzen, führen wir eine Text-Speicherbank ein, um die Erkennung logischer Anomalien zu verbessern. Konkret stellen wir einen Three-Memory-Ansatz für die einheitliche strukturelle und logische Anomalieerkennung (TMUAD) vor. Zunächst erstellen wir eine klassenbasierte Text-Speicherbank zur Erkennung logischer Anomalien mithilfe des vorgeschlagenen logikorientierten Textextraktors, der reichhaltige logische Beschreibungen von Objekten aus Eingabebildern erfassen kann. Zweitens bauen wir eine objektbasierte Bild-Speicherbank auf, die vollständige Objektkonturen durch Merkmalsextraktion aus segmentierten Objekten bewahrt. Drittens nutzen wir visuelle Encoder, um patchbasierte Bildmerkmale zu extrahieren und eine patchbasierte Speicherbank zur strukturellen Anomalieerkennung zu konstruieren. Diese drei ergänzenden Speicherbanken dienen dazu, die am besten zur Abfrageabbildung passenden normalen Bilder abzurufen und zu vergleichen, Anomalie-Scores auf mehreren Ebenen zu berechnen und diese schließlich zu einem finalen Anomalie-Score zu fusionieren. Durch die einheitliche Behandlung struktureller und logischer Anomalieerkennung mittels kooperativer Speicherbanken erreicht TMUAD state-of-the-art Ergebnisse auf sieben öffentlich verfügbaren Datensätzen aus industriellen und medizinischen Anwendungsbereichen. Das Modell und der Quellcode sind unter folgender URL verfügbar: https://…