Exploration de la distillation de connaissances à deux modèles pour la détection d'anomalies

La détection d’anomalies non supervisée revêt une importance majeure dans les processus industriels à grande échelle. Les méthodes récentes ont tiré parti des avantages offerts par l’utilisation d’un classificateur préentraîné sur des images naturelles afin d’extraire des caractéristiques représentatives provenant de couches spécifiques. Ces caractéristiques extraites sont ensuite traitées à l’aide de diverses techniques. En particulier, les méthodes basées sur les banques de mémoire ont démontré une précision exceptionnelle ; toutefois, elles entraînent souvent un compromis en termes de latence. Ce compromis en matière de latence constitue un défi majeur dans les applications industrielles en temps réel, où une détection et une réponse rapides aux anomalies sont essentielles. En effet, d’autres approches, telles que la distillation de connaissances et les flux normalisés, ont montré des performances prometteuses dans la détection d’anomalies non supervisée tout en maintenant une faible latence. Dans ce papier, nous revisitons le concept de distillation de connaissances dans le contexte de la détection d’anomalies non supervisée, en mettant l’accent sur l’importance du choix des caractéristiques. En exploitant des caractéristiques distinctives et en tirant parti de modèles différents, nous souhaitons souligner l’importance d’une sélection et d’une utilisation soigneuses des caractéristiques pertinentes, spécifiquement adaptées à la tâche de détection d’anomalies. Cet article présente une nouvelle approche fondée sur la distillation de connaissances à double modèle pour la détection d’anomalies. La méthode proposée exploite à la fois les couches profondes et les couches superficielles afin d’intégrer divers types d’informations sémantiques.