（排名第1）Towards Total Recall in Industrial Anomaly Detection （PatchCore）

面向工业异常检测的全召回

MVTec AD数据集上排名第一，检测准确率为99.1%，分割准确率为98.1%

? ? ? ? 缺陷检测是工业制造中的关键组成部分，最主要的解决方法是仅使用无缺陷的示例图像来拟合模型。将ImageNet模型的嵌入与异常值检测模型相结合。提出了PathCore，使用了名义补丁特征的内存库。在MVTecAD上，AUROC得分99.6%。????????

? ? ? ? 1.引言

? ? ? ? 应用“cold-start”异常检测，工业缺陷很可能从细微的变化到较大的结构缺陷，现有的异常检测主要依赖于自编码器模型、GAN和其他无监督适应方法
?

?MVTec 基准数据集的示例。叠加在图像上的是来自 PatchCore 的分割结果。橙色边界表示实际分割图的异常轮廓，例如碎玻璃、划痕、烧伤或蓝橙色渐变中的结构变化。

?????????本文执行步骤：

（1）最大化测试时可用的标称信息

（2）减少对ImageNet类的偏差

（3）保持高推理速度，将PathCore作为一种有效的补救措施

????????一旦单个补丁异常，图像就会被归类为异常，PatchCore 通过利用本地聚合的中级特征补丁来实现这一点。

注：标称数据：一般在有限的数据中取，而且只存在‘是’和‘否’两种不同的结果（一般用于分类）

?数值数据：连续值。可以从无限的数值集合中取值，如：0.1、45.5 等（主要用于回归）

????????为了更好的估计标称特征分布：基于高斯混合模型的扩展、生成对抗训练目标、对预定义物理增强的不变性、隐藏特征对重新引入重建的鲁棒性、原型记忆库、注意力引导、结构目标或受限表示空间?

PatchCore 变得不那么依赖图像对齐，同时还使用更大的标称上下文来估计异常，利用局部感知的补丁特征分数来解释局部空间方差并减少对ImageNet类的偏差。

文章对PatchCore的介绍分为三部分：

（1）聚合到内存库中的局部补丁特征

（2）提高效率的核心集缩减方法

（3）到达检测和定位的完整算法决定

?????????Xn为正常图像集合，?yx ∈ {0, 1}?表示x是正常还是异常，Xt为测试时的样本集，PatchCore继续使用在ImageNet上与训练的网络φ，因为存在着特定网络结构中的特征起着重要作用，使用?φi,j = φj(xi)?表示图像 xi ∈ X（第几张图片）和预训练网络 φ 的层次级别 j （网络中的第几层）的特征，继续使用ResNet。

? ? ? ? 使用中间部分的补丁（像素）级特征的记忆库M，利用上下文信息，避免特征过于通用或者过于偏向ImageNet，

? ? ? ? 文章使用核心集子采样机制来减少内存消耗，