Prototypical Learning Guided Context-Aware Segmentation Network for Few-Shot Anomaly Detection

异常检测 分割 背景(考古学) 弹丸 计算机科学 人工智能 一次性 异常(物理) 模式识别(心理学) 工程类 地质学 材料科学 物理 冶金 机械工程 古生物学 凝聚态物理
作者
Yuxin Jiang,Yunkang Cao,Weiming Shen
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:: 1-11
标识
DOI:10.1109/tnnls.2024.3463495
摘要

Few-shot anomaly detection (FSAD) denotes the identification of anomalies within a target category with a limited number of normal samples. Existing FSAD methods largely rely on pretrained feature representations to detect anomalies, but the inherent domain gap between pretrained representations and target FSAD scenarios is often overlooked. This study proposes a prototypical learning-guided context-aware segmentation network (PCSNet) to address the domain gap, thereby improving feature descriptiveness in target scenarios and enhancing FSAD performance. In particular, PCSNet comprises a prototypical feature adaption (PFA) subnetwork and a context-aware segmentation (CAS) subnetwork. PFA extracts prototypical features as guidance to ensure better feature compactness for normal data while distinct separation from anomalies. A pixel-level disparity classification (PDC) loss is also designed to make subtle anomalies more distinguishable. Then a CAS subnetwork is introduced for pixel-level anomaly localization, where pseudo anomalies are exploited to facilitate the training process. Experimental results on MVTec AD and metal part defect detection (MPDD) demonstrate the superior FSAD performance of PCSNet, with 94.9% and 80.2% image-level area under the receiver operating characteristics (AUROCs) in an eight-shot scenario, respectively. Real-world applications on automotive plastic part inspection further demonstrate that PCSNet can achieve promising results with limited training samples. The code is available at https://github.com/yuxin-jiang/PCSNet.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
小琦无敌完成签到,获得积分10
11秒前
琉璃完成签到,获得积分10
12秒前
Nick完成签到 ,获得积分10
12秒前
都要多喝水完成签到,获得积分10
14秒前
白菜完成签到 ,获得积分10
26秒前
Zheng完成签到 ,获得积分10
26秒前
KOBE完成签到 ,获得积分10
31秒前
方方完成签到 ,获得积分10
33秒前
weng完成签到,获得积分10
35秒前
忐忑的草丛完成签到,获得积分10
39秒前
dalong完成签到,获得积分10
40秒前
左丘以云完成签到,获得积分0
46秒前
Regina完成签到 ,获得积分10
1分钟前
我和你完成签到 ,获得积分10
1分钟前
晨雾完成签到 ,获得积分10
1分钟前
20240901完成签到,获得积分10
1分钟前
qausyh完成签到,获得积分10
1分钟前
luckyalias完成签到 ,获得积分10
1分钟前
sophia完成签到 ,获得积分10
1分钟前
xuaotian完成签到,获得积分10
1分钟前
海派Hi完成签到 ,获得积分10
1分钟前
现代的紫霜完成签到,获得积分10
1分钟前
健壮的芷容完成签到 ,获得积分10
1分钟前
荔枝完成签到 ,获得积分10
1分钟前
郑洋完成签到 ,获得积分10
1分钟前
跳跃的幻露完成签到 ,获得积分10
1分钟前
ygr完成签到,获得积分0
1分钟前
舒心小猫咪完成签到 ,获得积分10
1分钟前
科研小郭完成签到,获得积分10
1分钟前
科研通AI2S应助娴儿采纳,获得10
1分钟前
青树柠檬完成签到 ,获得积分10
1分钟前
roundtree完成签到 ,获得积分0
1分钟前
CGFHEMAN完成签到 ,获得积分10
1分钟前
laohu完成签到,获得积分10
1分钟前
花花糖果完成签到 ,获得积分10
1分钟前
anjun完成签到,获得积分10
1分钟前
Leofar完成签到 ,获得积分10
1分钟前
小小王完成签到 ,获得积分10
1分钟前
上善若水呦完成签到 ,获得积分10
1分钟前
靓丽的安筠完成签到 ,获得积分10
1分钟前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
Case Research: The Case Writing Process 300
Global Geological Record of Lake Basins 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3142849
求助须知:如何正确求助?哪些是违规求助? 2793732
关于积分的说明 7807174
捐赠科研通 2450021
什么是DOI,文献DOI怎么找? 1303576
科研通“疑难数据库(出版商)”最低求助积分说明 627016
版权声明 601350