MiniMaxAD : un Autoencodeur Léger pour la Détection d'Anomalies Basée sur des Caractéristiques Riches

Les méthodes précédentes de détection d’anomalies industrielles peinent souvent à gérer la grande diversité des jeux de données d’entraînement, en particulier lorsqu’ils contiennent des échantillons aux styles variés et riches en caractéristiques, que nous catégorisons comme des jeux de données de détection d’anomalies riches en caractéristiques (FRADs). Ce défi se manifeste clairement dans des applications telles que les scénarios multi-vues et multi-classes. Pour relever ce défi, nous avons développé MiniMaxAD, un autoencodeur efficace conçu pour compresser et mémoriser de manière efficace de vastes quantités d’informations provenant d’images normales. Notre modèle intègre une technique visant à renforcer la diversité des caractéristiques, augmentant ainsi la capacité effective du réseau. Il utilise également des convolutions à noyaux de grande taille pour extraire des motifs hautement abstraits, contribuant à des embeddings de caractéristiques efficaces et compacts. En outre, nous introduisons une fonction de perte adaptative d’exploitation de contraintes (ADCLoss), spécifiquement conçue pour les FRADs. Dans notre approche, tout jeu de données peut être unifié dans le cadre de la détection d’anomalies riches en caractéristiques, où les avantages surpassent largement les inconvénients. Notre méthode atteint des performances de pointe sur plusieurs benchmarks exigeants. Le code est disponible à l’adresse suivante : \href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}