腾讯优图 2024-10-30 18:16 江苏
涵盖30类物体5个视角8种缺陷类型150K高分辨率图像！
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/
动机：为什么构建Large-scale Real-world Real-IAD数据集
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：
更多的类别：30类真实产线物料
大规模数据量：150K数据
多种材料：金属，塑料，木材，陶瓷和混合材料
多种缺陷类别：缺失、划伤、裂纹、脏污、破洞、变形、凹坑、破损
多视角：5个拍摄角度（顶拍+4个侧拍）
更高的分辨率：2K~5K
支持多种实验设置：1）FUIAD；2）多视角AD；3）无监督AD；4）Zero-/Few-shot AD；5）带噪AD等
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！
本文贡献
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。
拆解 Real-IAD 数据收集的具体过程，如下图所示：
物料准备及缺陷产品构建
材料：包含金属，塑料，木材，陶瓷和混合材料
缺陷类型：包含缺失、划伤、裂纹、脏污、破洞、变形、凹坑、破损共8种
原型采集设备准备：包含1个顶拍相机加4个侧拍相机
工业级数据收集、标注、清洗过程：
使用3个基于HRNet-32w主干网络的Cascade RCNN进行检测、交叉验证，直到检测结果偏差小于预定条件（AP基本不变，修改标注的图片数/instance足够小）
Real-IAD数据统计分析：
更多的数据信息、下载方式及Benchmark 结果可移步项目主页：
Project Page: https://realiad4ad.github.io/Real-IAD/
基于该数据集的已有开源方法推荐：
AD Benchmark: https://github.com/zhangzjn/ader
MambaAD[NeurIPS'24]: https://github.com/lewandofskee/MambaAD
Dinomaly: https://github.com/guojiajeremy/Dinomaly
往期精彩回顾
PRCV2024大会正式召开，腾讯优图携前沿科技成果亮相现场
NeurIPS 2024｜腾讯优图实验室10篇论文入选，含持续学习、大型语言模型、深度伪造检测等研究方向
点视频，了解更多
后台回复“入群”，加入优图社群
