基于原型学习的少样本异常检测研究综述.docVIP

基于原型学习的少样本异常检测研究综述

一、研究背景与问题提出

在工业缺陷检测、医疗影像诊断、网络入侵检测等现实场景中，异常样本的采集成本极高，部分罕见疾病的医疗影像、极端工况下的工业缺陷样本甚至仅能获取个位数标注，传统基于大量正负样本训练的监督检测模型面临严重的性能退化。少样本异常检测（Few-ShotAnomalyDetection,FSAD）任务旨在仅利用少量（通常为1-5个）目标类别的正常或异常样本，实现对未知测试样本的异常判别，成为近年来计算机视觉和机器学习领域的研究热点。

原型学习因其对小样本数据的强表征能力，被广泛引入少样本异常检测框架。原型本质上是类别特征空间中的代表性向量，能够高效浓缩少量样本的核心分布信息，避免小样本下的过拟合风险。现有基于原型学习的FSAD方法已经在工业检测数据集MVTecAD、医疗影像数据集BraTS上实现了远超传统小样本学习方法的性能，部分方法在5样本设置下的AUC指标已经接近全监督模型的水平。但当前研究仍存在原型漂移、跨域泛化能力弱、分布外异常鲁棒性不足等问题，亟需系统性的梳理与总结。

二、原型学习的基础理论与范式

2.1原型的构建方法

原型构建是原型学习的核心环节，当前主流构建方式可分为三类：第一类是均值聚合原型，直接对支持集样本的深度特征取均值作为类别原型，该方法计算简单但易受噪声样本影响，在样本量小于3时误差显著；第二类是注