摘要

我们提出了一种用于无监督异常分割的半正交嵌入（semi-orthogonal embedding）方法，以提升效率。近期研究利用预训练卷积神经网络（CNN）提取的多尺度特征，结合局部马氏距离（localized Mahalanobis distances），取得了显著的性能提升。然而，随着特征维度的增加，该方法在扩展至更大规模CNN时面临挑战，主要问题在于需计算多维协方差张量的批量逆矩阵，计算开销巨大。为此，本文将一种临时性方法——随机特征选择，推广为更具鲁棒性的半正交嵌入方法，实现了对多维协方差张量逆运算的高效近似，计算成本呈立方级降低。通过详尽的消融实验验证，所提方法在MVTec AD、KolektorSDD、KolektorSDD2以及mSTC等多个数据集上均取得了显著优于现有方法的性能，达到新的最先进水平。理论分析与实验验证共同揭示了该方法简洁而高效的内在机制，为其有效性提供了充分支持。