利用学习偏差进行噪声异常检测.pdfVIP

利用学习偏差进行噪声异常检测

11

YuxinZhang,GraduateStudentMember,IEEE,YunkangCao,GraduateStudentMember,IEEE,

11

YuqiCheng,GraduateStudentMember,IEEE,YihanSun,GraduateStudentMember,IEEE,

1

WeimingShen,Fellow,IEEE

Abstract—本文解决了完全无监督图像异常检测

（FUIAD）的挑战，其中训练数据可能包含未标记的异

常。传统方法假设训练数据不含异常，但现实世界中的污染会

导致模型将异常视为正常现象，从而降低检测性能。为缓解这

一问题，我们提出一个两阶段框架，系统地利用模型中的固有

学习偏差。这种学习偏差源于：(1)正常样本在统计上的主导

地位，驱动模型优先学习稳定正常的模式而非稀疏的异常；以

Fig.1:多个子集集成用于鲁棒异常检测。(a)整体数据分布，集

本及(2)特征空间差异，正常数据表现出高类内一致性而异常则

译展示出高度多样性，导致模型响应不稳定。利用这一学习偏中了正常样本（绿色）和分散的异常样本（红色）。(b)-(c)深红

差，第一阶段将训练集划分成子集，训练子模型，并通过跨模色和深绿色点表示用于训练各个子模型的子集中的异常样本和

中型异常分数聚合来过滤出净化的数据集。第二阶段在此数据集正常样本。绿色虚线边界包围每个子模型在整体训练集上评估

1上训练最终的检测器。在Real-IAD基准上的实验表明，在不时赋予低异常分数的样本。(d)绿色阴影区域标识出高置信度

v同噪声条件下具有优越的异常检测和定位性能。消融研究进的正常样本，这些样本在所有子模型中始终获得低异常分数。

1

4一步验证了框架对污染的鲁棒性，强调利用学习偏差的关键

4作用。模型不可知的设计确保与多种无监督骨干兼容，为带为了解决这一实用难题，完全无监督图像异常检测

7有不完美训练数据的实际场景提供实用解决方案。代码可在（FUIAD）的方法应运而生，该方法在更现实的情况下

0

./hustzhangyuxin/LLBNAD获取。运行，其中训练数据可能包含未标记的异常。FUIAD

8

0的核心难点在于防止模型在训练过程中无意中学习到

5I.介绍

2异常特征，这会减弱正常和异常模式之间的区分能力。

:近年来，无监督图像异常检测（UIAD）方法因因此，解决FUIAD问题的关键在于尽可能避免噪声。

v

i其在长尾数据分布上的优越适应性而受到越来越多的在现有的FUIAD方法中，SoftPatch[7]使用噪声鉴别

x

r关注，相比有监督的方法[1],[2]。传统的UIAD方法器在核心集构建之前过滤掉噪声数据，并软化搜索过

a

[3]–[5]依赖于一个严格的假设：训练数据必须没有异程以减少未经过滤的硬噪声样本的影响。然而，鉴别

常。如果异常样本污染了训练集，学习到的特征空间器可能会过度拟合有限类型的异常，同时可能消除关

可能会错误地包含异常模式，从而在测试时出现类似键的正常特征。FUN-AD[8]基于迭代重构的记忆库和

异常时降低检测性能。成对距离统计数据分配伪标签，以实现对抗初始噪声

然而，如此严格的无异常要求在现实世界场景中标签的鲁棒性。但是不准确的伪标签可能会误导模型