近日，计算机科学领域国际顶级刊物《IEEE Transactions on Neural Networks and Learning Systems》 （一区TOP，IF 10.4）报道了人工智能学院机器视觉团队在工业视觉异常检测方向的研究进展，相关成果以“Low-Shot Unsupervised Visual Anomaly Detection via Sparse Feature Representation”为题在线发表。

视觉异常检测是现代工业制造中必不可少的组成部分。现有的研究利用测 试特征和正常特征之间的相似性距离进行异常检测，并取得了很大的突破。然而，绝对相似性距离缺乏将正常特征空间推广到可用特征之外的弹性，从而限制了这些方法在小样本场景中的异常检测性能。

本文提出了一种基于正交匹配追踪的稀疏特征表示异常检测方法（SFRAD），该方法将异常检测转化为稀疏特征表示问题，并采用基于正交匹配追踪的异常分数计算方法作为一种新的检测指标。具体地，SFRAD 通过计算测试特征与其在正常特征空间中的稀疏表示之间的高斯核距离实现异常检测。此外，为了构建一个低冗余的记忆库来存储稀疏表示的基特征，本文同时考虑最大覆盖率和最佳特征表示，提出了一种新的基特征采样方法。SFRAD 结合了绝对相似性和线性表示的优势，增强了在小样本场景中的泛化能力。在7个常用的异常检测数据集上进行了全样本和小样本实验，结果表明 SFRAD 优于现有的方法，具有先进的无监督异常检测性能。

图1 SFRAD框架图

图2 在 MVTec AD 数据集上 SFRAD 的定性结果

河南大学人工智能学院为该论文的第一单位，机器视觉团队张芳慧老师为第一作者，A*STAR朱海岳老师和北京交通大学计算机科学与信息技术学院岑翼刚教授为通讯作者。该研究工作为河南大学、北京交通大学、新加坡国立大学、A*STAR的联合研究成果，受到国家自然科学基金的支持。

论文链接: https://ieeexplore.ieee.org/document/10612766