Hyperbolische Anomalieerkennung

Anomalieerkennung ist eine herausfordernde Aufgabe der Computer Vision in industriellen Szenarien. Fortschritte im Deep Learning revolutionieren ständig visuelle Anomalieerkennungsmethoden, und erhebliche Fortschritte wurden sowohl in der überwachten als auch in der selbstüberwachten Anomalieerkennung erzielt. Der allgemein verwendete Ansatz besteht darin, das Modell zu optimieren, indem die Merkmals-Embeddings mit einer abstandsbasierenden Verlustfunktion eingeschränkt werden. Diese Methoden funktionieren jedoch im euklidischen Raum, und sie können die Daten im nicht-euklidischen Raum nicht gut ausnutzen. In diesem Papier sind wir die ersten, die die Aufgabe der Anomalieerkennung im hyperbolischen Raum untersuchen, der ein Vertreter des nicht-euklidischen Raums ist, und schlagen eine hyperbolische Anomalieerkennung (HypAD) Methode vor. Genauer gesagt extrahieren wir zunächst Bildmerkmale und kartieren sie dann vom euklidischen Raum zum hyperbolischen Raum, wo die hyperbolische Distanzmetrik verwendet wird, um das vorgeschlagene HypAD zu optimieren. Umfassende Experimente an den Benchmark-Datensätzen, darunter MVTec AD und VisA, zeigen, dass unser HypAD-Ansatz die besten Leistungen erzielt und die Wirksamkeit unseres HypAD sowie das Potenzial der Untersuchung der Anomalieerkennung im hyperbolischen Raum unter Beweis stellt.