摘要

无监督异常检测在大规模工业制造中具有重要意义。近年来的方法充分利用了在自然图像上预训练的分类器，从中提取特定层次的代表性特征，随后采用多种技术对这些特征进行处理。其中，基于记忆库（memory bank）的方法表现出卓越的检测精度，但通常伴随着延迟增加的权衡。这一延迟代价在实时工业应用中构成挑战，因为在这些场景中，快速实现异常检测与响应至关重要。事实上，诸如知识蒸馏（knowledge distillation）和归一化流（normalized flow）等替代方法在保持低延迟的同时，已在无监督异常检测任务中展现出良好的性能。本文旨在重新审视知识蒸馏在无监督异常检测中的应用，特别强调特征选择的重要性。通过采用具有区分性的特征并结合不同模型，我们旨在突出为异常检测任务精心选择和利用相关特征的关键作用。本文提出一种基于双模型知识蒸馏的新型异常检测方法，该方法同时利用深层与浅层特征，融合多种语义信息，以提升检测性能。