arXiv cs.AI· {\L}ukasz Marcjan, Dorota Wilk-Ko{\l}odziejczyk, Roberto Corizzo·· 3 天前AI 评分20
InCLAD：面向工业视觉异常检测的持续学习基准
InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection
AI 导读
InCLAD 是一个将工业视觉异常检测重构为任务增量式持续学习的基准，每个工业部件定义为一个任务，学习目标保持半监督。该基准设置了随机、由易到难、由难到易等多种场景，并包含跨多个数据集的挑战性场景，同时从图像级异常检测和像素级异常定位两个角度评估持续性能。
正文 · AI 翻译
摘要：工业异常检测基准发展迅速，但它们大多是静态的，因此未能充分体现检测系统必须随时间从一个工业部件扩展到另一个工业部件的部署场景。在我们的设定中，持续工业异常检测被定义为一个任务增量问题：每个部件定义一个任务，而学习目标仍保持半监督。其目标超越了传统异常检测，因为模型在依次接触新部件时，应保持其在所有部件上的性能。这一设定尤为重要，因为许多现有工业流程要么假设拥有全监督的缺陷标签，要么只研究孤立的数据集，从而留下了半监督异常检测器在一系列异构部件上表现如何这一未解问题。我们通过将基准组织为一系列相关的部件级任务，并定义多种场景（包括随机、由易到难和由难到易）来填补这一空白。除单数据集持续场景外，我们还提出了跨多个数据集的挑战性场景。我们进一步从两个互补视角评估持续性能：图像级异常检测和像素级异常定位。通过将工业异常检测重新构建为持续基准，而非静态训练/测试问题，我们的工作为研究不断演变的工业环境中的知识保留、适应和泛化建立了一条具体路径。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15032 [cs.LG] |
| （或使用 arXiv:2610.15032v1 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.15032 arXiv 通过 DataCite 颁发的 DOI（待注册） |
提交历史
来自：Roberto Corizzo [查看电子邮件]
[v1]
2026年10月10日星期六 16:18:39 UTC（457 KB）
来源：arXiv cs.AI · arxiv.org