摘要

异常检测通常被建模为一类分类问题，即模型仅能从正常样本中进行训练，而在包含正常与异常样本的测试集上进行评估。在众多成功的异常检测方法中，一类具有代表性的方法通过预测被掩码的信息（如图像块、未来帧等），并利用对掩码区域的重建误差作为异常评分。与现有方法不同，本文提出将基于重建的功能集成到一种新颖的自监督预测性架构模块中。该自监督模块具有通用性，可轻松嵌入多种前沿的异常检测方法中。所提出的模块以带有空洞卷积核的卷积层作为起点，其中感受野的中心区域被掩码。随后，输出的激活图经过通道注意力模块处理。该模块配备一种损失函数，旨在最小化对感受野中掩码区域的重建误差。通过将该模块集成到多个图像与视频异常检测的前沿框架中，我们验证了其通用性。实验结果表明，该方法在MVTec AD、Avenue和ShanghaiTech数据集上均实现了显著的性能提升。相关代码已开源，地址为：https://github.com/ristea/sspcab。