![](https://csdnimg.cn/release/download_crawler_static/88587812/bg4.jpg)
4杯Huang等人
用统计方法直接描述正常数据[9,35,26,30]。基于自监督的方法仅使
用正常数据进行训练,然后通过假设异常数据表现不同来进行推断。在
这个领域,重建[40,34,47,32,1,13,39,17]是最流行的自我监
督。一些方法[12,42,33]引入了其他的自我监督,
例如。
,[12]应用数
十种图像几何变换进行变换分类; [42]提出 一种用于属性恢复的恢复
框架。最近的AD方法通常 使用从预先训练的深度神经网络中提取的特
征嵌入。特征嵌入主要用作传统机器学习算法或统计度量(如马氏距离
[8])的输入。用作特征提取器的网络可以从头开始训练[43],而几种方
法[21,8,45,28,14]也使用在ImageNet数据集上预训练的模型实现了
最先进的结果[31]。本文不同于这些以前的作品,专注于FSAD,只有少
数正常的图像。
2.2
少数学习
少镜头学习(FSL)的目的是适应新的类与一些注释的例子。典型的FSL
方法可以分为度量学习、生成和优化。度量学习方法[37,38,15]学习计
算一个特征空间,该特征空间基于其最近的示例类别对未见过的样本进
行分类。生成方法[22,41,6]通过生成其图像或特征来增强新的类性
能。优化方法[27,11]学习不同类别之间的共性,并根据这些共性为新
类别探索有效的优化策略。在本文中,所提出的方法预测“正常”或
“异常”的一个新的类别。与以往的FSL工作相比,训练数据和支持集都
只有正(正常)样本,没有任何负(异常)样本。
2.3 少数异常检测
FSAD的目标是用少量的正常样本作为目标类别的支持图像来指示异
常TDG [36]提出了一种分层生成模型,该模型捕获每个支持图像的多
尺度补丁分布。他们使用多个图像变换和优化鉴别器来区分真实和假
补丁之间,以及应用于补丁的不同变换之间异常分数通过聚合正确变
换的基于补丁的投票来DiffNet [29]利用卷积神经网络提取的特征的连
续性,使用归一化流来估计它们的密度,这是一种非常适合从一些支
持样本中估计分布的工具Metaformer [39]可以应用于FSAD,尽管在其
整个元训练过程中(除了参数预训练之外)应使用额外的大规模数据
集MSRA 10K [7]在本文中,我们设计了基于配准的FSAD来学习与类
别无关的特征配准,使模型能够在给定一些正常图像的情况下检测新
类别中的异常,而无需进行微调。