
摘要
异常检测旨在识别不寻常的现象,这是科学和工业领域中的一个核心任务。由于异常现象在训练过程中是不可预见且未知的,因此该任务本质上是无监督的。近期在自监督表示学习方面的进展直接推动了异常检测性能的提升。在本文中,我们首先解释了如何利用自监督表示轻松实现常见异常检测基准测试中的最先进性能。随后,我们认为要应对下一代异常检测任务,需要在表示学习的技术和概念上进行新的改进。
代码仓库
eliahuhorwitz/3D-ADS
pytorch
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| anomaly-detection-on-odds | ICL | AUROC: 0.889 F1: 0.681 |
| anomaly-detection-on-odds | kNN | AUROC: 0.902 F1: 0.699 |
| anomaly-detection-on-odds | GOAD | AUROC: 0.782 F1: 0.544 |
| anomaly-detection-on-one-class-cifar-10 | DINO-FT | AUROC: 98.4 |