MoViAD：一个用于视觉异常检测的模块化库-计算机科学-机器学习-深度学习-可视化异常检测.pdf

MoViAD：一个用于视觉异常检测的模块化库

ManuelBaruscoFrancescoBorsatti

UniversityofPadova,ItalyUniversityofPadova,Italy

manuel.barusco@phd.unipd.itfrancesco.borsatti.1@phd.unipd.it

AriannaStropeniDavideDallePezze

UniversityofPadova,ItalyUniversityofPadova,Italy

arianna.stropeni@studenti.unipd.itdavide.dallepezze@unipd.it

本GianAntonioSusto

UniversityofPadova,Italy

译gianantonio.susto@unipd.it

中

2

v

9

4Abstract

0

2VisualAnomalyDetection(VAD)是机器学习中一个关键领域，专注于识别图像中的异常模

1

.式，通常面临异常数据稀缺和需要无监督训练的挑战。为了加速该领域的研究和部署，我们

7

0引入了MoViAD!(MoViAD!)，这是一个全面且高度模块化的库，旨在提供快速轻松访问最

5先进的VAD模型、训练器、数据集和VAD工具的功能。MoViAD!支持广泛的场景，包括

2持续学习、半监督学习、少量样本学习、噪声环境等。此外，它通过专门的Edge和Internet

:

vofThings(IoT)设置解决了实际部署挑战，提供了优化模型和骨干网络，并配备了量化和压

i

x缩工具以实现高效的设备执行和分布式推理。运动视觉注意力检测器集成了一部分骨干网

r

a络、鲁棒的VAD评估指标（像素级和图像级）以及用于效率分析的实用配置文件工具。该

库旨在快速轻松地部署，使机器学习工程师能够轻松使用它进行特定设置下的自定义模型、

数据集和骨干网络的应用。同时，它为研究人员提供了开发和实验新方法所需的灵活性和可

扩展性。

Keywords可视化异常检测深度学习库

1介绍

可视化异常检测（VAD）已成为机器学习社区中的一个重要研究领域，旨在区分数据集中的正常图像和异常

图像，并定位图像中导致异常的具体像素。传统的监督学习方法在这种情况下往往表现不佳，原因是代表异

常类别的样本稀缺且多变。为克服这一限制，许多技术设计为仅在正常数据上进行训练，学习其潜在分布并

识别从该分布的偏离作为潜在异常。VAD问题的本质使其在许多现实世界领域中极具实用性和相关性，如自

动工业检测、医疗诊断、机器人学等[1][2][3]。

在过去的几年里，许多研究集中于VAD，特别是针对具有挑战性的无监督场景，取得了优异的结果。然而，

在现实世界的情景中，VAD可能在一个与文献中所研究的不同设置下进行评估。

例如，一些研究开始在经典无监督设置之外处理VAD问题，考虑单个模型需要处理多个类别（多类）[4]或

模型需要适应新项目（连续）[5][6][7]的情况。同样，一些近期的研究开始解决在资源受限设备（边缘或物

联网场景）上部署的需求[8][9]，而另一些研究则考虑了正常类别中样本数量为零或很少的情况（零样本和

少样本设置）[10][11]。

因此，为了使研究更容易，提供快速便捷的访问这些模型的方式，并更好地在所有这些异常检测设置