专栏名称: 我爱计算机视觉

关注计算机视觉与机器学习技术的最前沿，“有价值有深度”，分享开源技术与最新论文解读，传播CVML技术的业内最佳实践。www.52cv.net 微博:计算机视觉与机器学习，QQ群:928997753，52CV君个人账号：Your-Word。

业界最大！腾讯优图发布Real-IAD大规模工业异常检测数据集！

我爱计算机视觉 · 公众号 · · 2024-10-30 18:16

正文

关注公众号，发现CV技术之美

本文已被CVPR2024收录

（上海交通大学，腾讯优图，复旦大学，荣旗工业科技，上海计算机软件技术开发中心）

Title :Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection

Project Page ： https://realiad4ad.github.io/Real-IAD/

一方面，大多数最先进的方法在MVTec / VisA等主流数据集上已经达到饱和(AUROC超过99%)，无法很好地区分方法之间的差异，且由于难度较小而与实际应用场景之间存在较大差距， 因此需要更具挑战性的数据集来支持AD领域的进一步研究 。
另一方面，各种新的实用异常检测设置的研究受到数据集规模的限制（比如带噪和小样本更贴近实际应用的setting），存在评估结果过拟合的风险，因此 需要更大规模的数据集 来支持；
工业生产中的良率通常介于60%-100%之间，与现有的100%良率实验setting不符，因此， 需要更具实际应用价值的setting，即我们提出的Fully Unsupervised Industrial Anomaly Detection，FUIAD 。

Real-IAD数据集特性：

与主流的2D异常检测数据集规模及属性对比如下表

5个视角的采集效果图示例，包含两种典型异常场景：

1）缺陷可以在一个sample中的每个view都可见

2）缺陷仅在一个sample中部分view上可见

这更具有实际意义和更大的挑战性，将AD推向实际应用迈出了新的一步！

提出了一个新的Real-IAD数据集，它比现有的主流数据集大十倍以上。它包括30类对象，每类对象包含5个拍摄角度，共计150K高分辨率图像。Real-IAD具有更大的缺陷面积和缺陷比例范围，能够更好地区分不同方法的性能，满足IAD的各种研究设置。
基于Real-IAD数据集构建了一个更接近实际应用场景的FUIAD（Fully Unsupervised Industry Anomaly Detection）设置，其中仅使用大多数生产线的成品率大于60%的自然存在约束，而不引入额外的手动注释。
我们报告了常用的IAD方法在Real-IAD数据集上在几种设置下的性能，并提供了一个极具挑战性的基准，以促进异常检测领域的发展。