arxiv：2404.10760v1 [CS.CV] 2024年4月16日__

arxiv：2404.10760v1 [CS.CV] 2024年4月16日

可下载资源数量

已经购买

下载数量：1

单价	0 2.0
Coupon	100% 0%
Total	0 2.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2404.10760v1 [CS.CV] 2024年4月16日

¥ 2.0

热度

抽象异常检测（AD）通常集中于检测用于工业质量检查和医疗病变检查的异常区域。然而，由于特定的方案目标，AD的数据量表相对较小，与经典视觉任务（例如对象检测和语义分割）相比，评估指标仍然不足。为了填补这些空白，这项工作首先通过将可可扩展到广告字段来构建一个大规模和通用可可AD数据集。这可以在此挑战性的基准中对不同方法进行公平的评估和可持续发展。此外，当前的指标（例如AU-ROC）几乎在简单的数据集上达到饱和，该数据集对不同方法进行了全面评估。受到分割领域的指标的启发，我们提出了几个更实用的阈值依赖性AD特异性指标，即M f 1。2。8，MACC。 2。 8，miou。 2。 8和miou-max。是由GAN反演高质量重建能力的促进的，我们提出了一个简单但功能更强大的Invad框架，以实现高质量的效果重建。我们的方法改善了对流行的MVTEC AD，VISA和我们新提出的可可AD数据集的基于重建的方法的有效方法，在多类无监督的设置下，只有一个单个检测模型经过训练以检测不同类别的异常。广泛的消融实验证明了我们入侵的每个组成部分的有效性。完整的代码和模型可在https://github.com/zhangzjn/ader上找到。8，MACC。2。8，miou。2。8和miou-max。是由GAN反演高质量重建能力的促进的，我们提出了一个简单但功能更强大的Invad框架，以实现高质量的效果重建。我们的方法改善了对流行的MVTEC AD，VISA和我们新提出的可可AD数据集的基于重建的方法的有效方法，在多类无监督的设置下，只有一个单个检测模型经过训练以检测不同类别的异常。广泛的消融实验证明了我们入侵的每个组成部分的有效性。完整的代码和模型可在https://github.com/zhangzjn/ader上找到。

添加pdf代下载 VIP点击下载文件