摘要
异常检测旨在识别新颖性样本，即偏离正常分布的数据点。这一任务被发现具有相当大的挑战性，尤其是在正常数据分布包含多个语义类别（例如，多种物体类别）的情况下。为了克服这一挑战，现有的方法通常需要在训练过程中手动标注正常图像的类别标签。在本研究中，我们提出了一种无需类别标签的多类别异常检测方法。我们的解决方案虽然简单但非常有效，分为两个阶段：首先，我们通过无监督聚类发现“伪类别”标签；然后，利用这些伪类别标签，我们可以应用标准的监督异常检测方法。我们通过与现有最先进方法的有利对比验证了该方法的性能，并提供了详尽的分析和消融实验。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| anomaly-detection-on-anomaly-detection-on | SCAN Features | Network: ResNet-18 ROC-AUC: 90.2 |
| anomaly-detection-on-anomaly-detection-on | PsudoLabels ResNet-152 | Network: ResNet-152 ROC-AUC: 95.7 |
| anomaly-detection-on-anomaly-detection-on | PsudoLabels ViT | Network: ViT ROC-AUC: 99.1 |
| anomaly-detection-on-anomaly-detection-on | PsudoLabels ResNet-18 | Network: ResNet-18 ROC-AUC: 94.3 |
| anomaly-detection-on-anomaly-detection-on-1 | PsudoLabels CLIP ViT | Network: ViT ROC-AUC: 99.4 |
| anomaly-detection-on-anomaly-detection-on-2 | PsudoLabels CLIP ViT | Network: ViT ROC-AUC: 98.3 |
| anomaly-detection-on-unlabeled-cifar-10-vs | PsudoLabels ResNet-18 | AUROC: 90.8 Network: ResNet-18 |
| anomaly-detection-on-unlabeled-cifar-10-vs | PsudoLabels ViT | AUROC: 96.7 Network: ViT |
| anomaly-detection-on-unlabeled-cifar-10-vs | PsudoLabels ResNet-152 | AUROC: 93.3 Network: ResNet-152 |
| anomaly-detection-on-unlabeled-cifar-10-vs | SCAN Features | AUROC: 90.2 Network: ResNet-18 |