基于多尺度流模型的视觉异常检测研究OA北大核心CSTPCD
针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.
毛国君;吴星臻;邢树礼;
福建理工大学计算机科学与数学学院,福州350118 福建省大数据挖掘与应用技术重点实验室,福州350118福建理工大学计算机科学与数学学院,福州350118
计算机与自动化
异常检测流模型层级感知多尺度特征
《自动化学报》 2024 (003)
P.640-648 / 9
国家重点研发计划(2019YFD0900905);国家自然科学基金(61773415)资助。
评论