Asymmetric Distillation Post-Segmentation Method for Image Anomaly Detection

要約

知識蒸留ベースの異常検出方法は、入力の対称形式のために未知のクラスに対して同じ出力を生成し、「参照基準」としてのみ使用されるため、教師ネットワークの出力の強力な意味情報を無視します。
この目的に向けて、この作業では、入力の非対称構造と教師ネットワークの識別機能を効果的に調査するための新しい非対称蒸留ポストセグメンテーション (ADPS) メソッドを提案します。
具体的には、教師と生徒のネットワークを介して異なるデータフローを作成するために、シンプルで効果的な非対称入力アプローチが提案されています。
学生ネットワークは、異常な領域で異なる出力を生成できる、さまざまな帰納的および表現的能力を持つことを可能にします。
さらに、教師ネットワークのセマンティック情報をさらに調査し、効果的な識別境界を取得するために、重みマスク ブロック (WMB) とポストセグメンテーション モジュールが提案されています。
WMB は、教師と生徒の特徴マップを調査して異常な特徴を強調することにより、加重戦略を活用します。
セグメンテーション後のモジュールは、異常な特徴をさらに学習し、有効な識別境界を取得します。
3 つのベンチマーク データセットに関する実験結果は、提案された ADPS が最先端の異常セグメンテーション結果を達成することを示しています。

要約(オリジナル)

Knowledge distillation-based anomaly detection methods generate same outputs for unknown classes due to the symmetric form of the input and ignore the powerful semantic information of the output of the teacher network since it is only used as a ‘reference standard’. Towards this end, this work proposes a novel Asymmetric Distillation Post-Segmentation (ADPS) method to effectively explore the asymmetric structure of the input and the discriminative features of the teacher network. Specifically, a simple yet effective asymmetric input approach is proposed to make different data flows through the teacher and student networks. The student network enables to have different inductive and expressive abilities, which can generate different outputs in anomalous regions. Besides, to further explore the semantic information of the teacher network and obtain effective discriminative boundaries, the Weight Mask Block (WMB) and the post-segmentation module are proposede. WMB leverages a weighted strategy by exploring teacher-student feature maps to highlight anomalous features. The post-segmentation module further learns the anomalous features and obtains valid discriminative boundaries. Experimental results on three benchmark datasets demonstrate that the proposed ADPS achieves state-of-the-art anomaly segmentation results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google