ICLR 2024 | 跨領(lǐng)域準(zhǔn)確進(jìn)行零樣本異常檢測(cè)，浙大等提出AnomalyCLIP
零樣本異常檢測(cè)（ZSAD）允許檢測(cè)模型僅利用輔助數(shù)據(jù)進(jìn)行訓(xùn)練，從而在沒有任何目標(biāo)數(shù)據(jù)集訓(xùn)練樣本的情況下檢測(cè)異常。這在因各種原因（如數(shù)據(jù)隱私問題）無法獲取訓(xùn)練數(shù)據(jù)時(shí)非常關(guān)鍵。
然而，這項(xiàng)任務(wù)面臨的挑戰(zhàn)在于，模型需要能夠跨不同領(lǐng)域泛化異常檢測(cè)能力，尤其是前景對(duì)象、異常區(qū)域及背景特征（比如不同產(chǎn)品或器官上的缺陷或腫瘤）在不同應(yīng)用中可能大相徑庭。
為了改進(jìn) CLIP 模型，來自浙江大學(xué)、新加坡管理大學(xué)、哈佛大學(xué)的研究者聯(lián)合提出 AnomalyCLIP，使其能在不同領(lǐng)域中更準(zhǔn)確地進(jìn)行零樣本異常檢測(cè)。AnomalyCLIP 的核心思想是學(xué)習(xí)一種與對(duì)象不相關(guān)的文本提示技術(shù)（object-agnostic learning），這種技術(shù)能夠捕捉到圖像中的一般性正常和異常特征，而不依賴于任何特定的前景對(duì)象，從而在多種語義的對(duì)象上實(shí)現(xiàn)泛化的異常識(shí)別。在 17 個(gè)來自不同領(lǐng)域（如缺陷檢測(cè)和醫(yī)療成像）的真實(shí)世界異常檢測(cè)數(shù)據(jù)集上進(jìn)行的大規(guī)模實(shí)驗(yàn)證明， AnomalyCLIP 在跨域且高度多樣化類別語義的數(shù)據(jù)中實(shí)現(xiàn)了卓越的零樣本異常檢測(cè)和分割能力。
- 論文名稱：AnomalyCLIP: Object-agnostic Prompt Learning for Zero-shot Anomaly Detection
- 文章地址：https://arxiv.org/pdf/2310.18961.pdf
- 代碼地址：https://github.com/zqhang/AnomalyCLIP
背景
傳統(tǒng)的異常檢測(cè)方法通常需要在特定應(yīng)用領(lǐng)域內(nèi)有可用的訓(xùn)練樣本來學(xué)習(xí)檢測(cè)模型。然而，在某些情況下，這個(gè)假設(shè)可能并不成立，比如訪問訓(xùn)練數(shù)據(jù)會(huì)違反數(shù)據(jù)隱私政策，或者目標(biāo)領(lǐng)域內(nèi)根本就沒有可用的訓(xùn)練數(shù)據(jù)。
圖 1: 不同文本提示方法的結(jié)果對(duì)比。
由于不同應(yīng)用場(chǎng)景中異常的視覺外觀、前景對(duì)象和背景特征存在很大差異，例如不同產(chǎn)品表面的缺陷、不同器官上的病變或腫瘤，或者是工業(yè)缺陷與醫(yī)學(xué)圖像中腫瘤 / 病變的對(duì)比，我們需要能夠針對(duì)這些變化進(jìn)行準(zhǔn)確零樣本異常檢測(cè)（ZSAD）的檢測(cè)模型，這要求模型具有強(qiáng)大的泛化能力。
最近，大型預(yù)訓(xùn)練的視覺 - 語言模型（VLMs）在包括異常檢測(cè)在內(nèi)的多種視覺任務(wù)上展示了出色的零樣本識(shí)別能力。特別是，通過使用數(shù)以百萬計(jì)的圖像 - 文本對(duì)進(jìn)行預(yù)訓(xùn)練，CLIP 在強(qiáng)化各種下游任務(wù)的泛化能力方面發(fā)揮了巨大作用。然而，CLIP 這類 VLM 主要是為了學(xué)習(xí)前景對(duì)象的類別語義，而不是圖像中的異常 / 正常模式，因此它們?cè)诶斫庖曈X異常 / 正常性方面的泛化能力有限，導(dǎo)致在 ZSAD 性能方面表現(xiàn)不佳。
此外，當(dāng)前使用的文本提示方法，如圖 1d 和圖 1e 所示，無論是手動(dòng)定義的文本提示還是可學(xué)習(xí)的文本提示，往往會(huì)導(dǎo)致提示文本嵌入偏向于全局特征以實(shí)現(xiàn)有效的對(duì)象語義對(duì)齊，而忽略了通常表現(xiàn)在細(xì)節(jié)、局部特征中的異常。
方法介紹
AnomalyCLIP 旨在通過學(xué)習(xí)對(duì)象不相關(guān)的文本提示來讓 CLIP 實(shí)現(xiàn)不同領(lǐng)域中的準(zhǔn)確 ZSAD，從而捕獲圖像中的通用正常性和異常性，如圖 2 所示。AnomalyCLIP 首先為 “正常” 和 “異?！?這兩個(gè)廣泛的類別設(shè)計(jì)了一個(gè)簡(jiǎn)單而普遍有效的可學(xué)習(xí)的文本提示模板，然后通過使用輔助數(shù)據(jù)，結(jié)合圖像級(jí)別和像素級(jí)別的損失函數(shù)來讓提示嵌入學(xué)習(xí)圖像中存在的通用正常和異常模式。
這樣，AnomalyCLIP 可以專注于圖像中的異常區(qū)域而非對(duì)象的語義，使其能夠零樣本的識(shí)別出與輔助數(shù)據(jù)中相似的異常模式。如圖 1a 和圖 1b 所示，盡管輔助數(shù)據(jù)和目標(biāo)數(shù)據(jù)中前景對(duì)象的語義完全不同時(shí)，但是其異常模式保持相似，例如金屬螺母和板材上的劃痕、晶體管和 PCB 的錯(cuò)位、不同器官表面的腫瘤 / 病變等。而 CLIP 的文本提示嵌入在不同領(lǐng)域間的泛化能力有限，如圖 1c 所示。不同的是，AnomalyCLIP 學(xué)習(xí)到的對(duì)象不相關(guān)的文本提示嵌入能夠有效地泛化，識(shí)別出跨領(lǐng)域圖像中的異常，如圖 1f 所示。AnomalyCLIP只需要微調(diào)一次，就能夠泛化地捕捉不同對(duì)象、場(chǎng)景甚至跨領(lǐng)域的異常。其他的沒有了。
圖 2: AnomalyCLIP 框架圖
實(shí)驗(yàn)結(jié)果
該研究在 17 個(gè)公開可用的數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)，涵蓋了各種工業(yè)檢測(cè)場(chǎng)景和醫(yī)學(xué)成像領(lǐng)域（包括攝影、內(nèi)窺鏡和放射學(xué)），以評(píng)估 AnomalyCLIP 的性能。在工業(yè)檢測(cè)方面，該研究考慮了 MVTec AD、VisA、MPDD、BTAD、SDD、DAGM 和 DTD-Synthetic 等數(shù)據(jù)集。在醫(yī)學(xué)成像方面，該研究考慮了皮膚癌檢測(cè)數(shù)據(jù)集 ISIC、結(jié)腸息肉檢測(cè)數(shù)據(jù)集 CVC-ClinicDB 和 CVC-ColonDB、Kvasir、Endo、甲狀腺結(jié)節(jié)檢測(cè)數(shù)據(jù)集 TN3k、腦瘤檢測(cè)數(shù)據(jù)集 HeadCT、BrainMRI、Br35H 和 COVID-19 檢測(cè)數(shù)據(jù)集 COVID-19。最先進(jìn)的 baseline 包括 CLIP、CLIP-AC、WinCLIP、VAND 和 CoOp。論文附錄提供了有關(guān)方法和數(shù)據(jù)預(yù)處理的更多細(xì)節(jié)。
表 1：工業(yè)領(lǐng)域零樣本異常檢測(cè)性能比較。最佳性能以紅色突出顯示，次佳性能以藍(lán)色突出顯示。?表示結(jié)果來自原始論文。（除了 MVTec AD 數(shù)據(jù)集以外，其他所有結(jié)果均由 MVTec AD fine-tuining 得到）
各種工業(yè)檢測(cè)領(lǐng)域的零樣本異常檢測(cè)性能
表 1 展示了 AnomalyCLIP 與五種 baseline 在七個(gè)工業(yè)缺陷數(shù)據(jù)集上的零樣本異常檢測(cè)結(jié)果，這些數(shù)據(jù)集具有非常不同的前景對(duì)象、背景和 / 或異常類型。AnomalyCLIP 在這些數(shù)據(jù)集上取得了優(yōu)越的零樣本異常檢測(cè)性能，大部分情況下明顯優(yōu)于其他五種方法。CLIP 和 CLIP-AC 表現(xiàn)較差的原因在于 CLIP 的原始預(yù)訓(xùn)練側(cè)重于對(duì)齊對(duì)象語義而非異常語義。WinCLIP 和 VAND 通過使用手動(dòng)定義的文本提示獲得了更好的結(jié)果。另外，CoOp 采用了可學(xué)習(xí)的提示來學(xué)習(xí)全局異常語義。然而，這些提示專注于全局特征，忽略了細(xì)粒度的局部異常語義，導(dǎo)致它們?cè)诋惓７指钌媳憩F(xiàn)不佳。為了將 CLIP 適應(yīng)于零樣本異常檢測(cè)，AnomalyCLIP 學(xué)習(xí)了對(duì)象不相關(guān)的文本提示，通過全局和局部上下文優(yōu)化，專注于學(xué)習(xí)通用的異常 / 正常模式，使得模型能夠有效識(shí)別全局和局部的異常。得到的提示還可以推廣到來自不同領(lǐng)域的不同數(shù)據(jù)集。為了提供更直觀的結(jié)果，該研究在圖 3 中可視化了 AnomalyCLIP、VAND 和 WinCLIP 在不同數(shù)據(jù)集上的異常分割結(jié)果。與 VAND 和 WinCLIP 相比，AnomalyCLIP 可以對(duì)來自不同工業(yè)檢測(cè)領(lǐng)域的缺陷進(jìn)行更準(zhǔn)確的異常分割。
圖 3: AnomalyCLIP 分割結(jié)果
表 2：醫(yī)療領(lǐng)域零樣本異常檢測(cè)性能比較。最佳性能以紅色突出顯示，次佳性能以藍(lán)色突出顯示。請(qǐng)注意，醫(yī)療異常檢測(cè)數(shù)據(jù)集往往不同時(shí)包含像素級(jí)和圖像級(jí)標(biāo)簽，因此評(píng)估圖像級(jí)和像素級(jí)醫(yī)療異常檢測(cè)的數(shù)據(jù)集有所不同。
從缺陷數(shù)據(jù)集到多樣化的醫(yī)學(xué)領(lǐng)域數(shù)據(jù)集的泛化能力
為了評(píng)估模型的泛化能力，該研究進(jìn)一步考察了 AnomalyCLIP 在 10 個(gè)不同器官、不同成像設(shè)備上的醫(yī)學(xué)圖像數(shù)據(jù)集上的零樣本異常檢測(cè)性能。表 2 展示了相關(guān)結(jié)果，其中包括 AnomalyCLIP、VAND 和 CoOp 等基于學(xué)習(xí)的方法，均使用 MVTec AD 數(shù)據(jù)進(jìn)行fine-tuining。
值得注意的是，像 AnomalyCLIP 和 VAND 這樣的方法在各種醫(yī)學(xué)圖像數(shù)據(jù)集上取得了令人滿意的零樣本異常檢測(cè)性能，即使它們是使用缺陷檢測(cè)數(shù)據(jù)集進(jìn)行調(diào)優(yōu)的。在所有這些方法中，由于其通過對(duì)象不相關(guān)的提示學(xué)習(xí)帶來的強(qiáng)大泛化能力，AnomalyCLIP 是表現(xiàn)最佳的。
正如圖 3 所示，AnomalyCLIP 能夠準(zhǔn)確檢測(cè)出不同醫(yī)學(xué)圖像中的各種異常類型，例如攝影圖像中的皮膚癌區(qū)域，內(nèi)窺鏡圖像中的結(jié)腸息肉，超聲圖像中的甲狀腺結(jié)節(jié)以及 MRI 圖像中的腦腫瘤，其在定位異常病變 / 腫瘤區(qū)域方面的性能明顯優(yōu)于另外兩種方法 WinCLIP 和 VAND。這再次證明了 AnomalyCLIP 在醫(yī)學(xué)成像領(lǐng)域高度多樣化的對(duì)象語義數(shù)據(jù)集中具有領(lǐng)先的零樣本異常檢測(cè)性能。
本文轉(zhuǎn)自 機(jī)器之心 ，作者：機(jī)器之心
