RAD: 基于图像异常检测鲁棒性的全面数据集
内容提要
本文介绍了多个异常检测数据集的建立与评估，涵盖工业、医学和自动驾驶领域，旨在提供具有挑战性的基准，推动异常检测算法的发展，促进研究与应用的进步。
延伸解读
数据集规模与挑战性提升
Real-IAD数据集包含30种对象的15万张高清图片，规模比现有工业异常检测数据集大一个数量级，且缺陷区域范围和比例更大，这为算法带来了更高挑战。该数据集提供了常用方法的基准结果，有助于推动工业异常检测领域的发展。
恶劣天气下的自动驾驶感知
RADIATE数据集利用雷达传感器获取高分辨率公共道路图像，是首个在恶劣天气条件下提供此类数据的数据集，包含超过20万个标记的道路参与者。它为自动驾驶中的物体检测、跟踪和场景理解研究提供了重要资源，尤其在视觉受限环境下。
医学异常检测的标准化评估
针对医学图像领域，研究建立了包含六个重新组织的数据集、三种关键指标和14种领先算法的评估基准，促进了公正比较与优化。另一项工作则统一评估了七个医学数据集和27种方法，首次正式探索关键组件，明确了未解决的挑战和未来方向。
多姿态与3D异常检测的创新
通过构建多姿态异常检测数据集MAD并提出姿态无关方法OmniposeAD，解决了物体异常检测中姿态变化的挑战，并提供了开源基准库。PD-REAL数据集则利用Play-Doh模型和RealSense相机，在3D领域实现低成本、易扩展的无监督异常检测研究。
Q&A
Real-IAD数据集的主要特点是什么？
Real-IAD数据集包含15万张高清图片，涵盖30种对象，具有更大范围的缺陷区域和比例，提供了一个具有挑战性的基准。
RADIATE数据集的用途是什么？
RADIATE数据集用于安全自动驾驶的物体检测、跟踪和场景理解研究，特别是在恶劣天气条件下提供高分辨率雷达图像。
医学图像领域的评估基准包含哪些内容？
该评估基准包含六个重新组织的数据集、三种关键指标和14种领先的异常检测算法，旨在促进公正比较与优化。
OmniposeAD方法解决了哪些挑战？
OmniposeAD方法专门设计用于姿态无关异常检测，解决了机器视觉领域中物体异常检测的两个重要挑战。
PD-REAL数据集的优势是什么？
PD-REAL数据集在3D领域的无监督异常检测研究中展示了显著的成本节约、易扩展性和易于控制变量的优势。
ADer基准的目的是什么？
ADer基准旨在客观揭示不同异常检测方法的优缺点，促进更健壮和可推广的异常检测系统的发展。
