零样本类增量异常检测方法(ZSCIAD)在工业异常检测中的创新研究

《JOURNAL OF INTELLIGENT MANUFACTURING》：ZSCIAD: a preliminary exploration of zero-shot class incremental anomaly detection method

本研究针对工业异常检测中动态环境变化导致的模型灾难性遗忘问题，提出了一种结合类增量学习与零样本检测的创新方法ZSCIAD。通过特征增强模块和局部离群因子算法构建全局记忆库，在MVTec AD等数据集上实现98%的AUROC，显著提升模型持续学习能力。

　　

在工业异常检测（Anomaly Detection）领域，早期算法通常假设所有训练数据在训练过程中保持固定，即所有类别或任务的样本同时提供并联合训练。这种理想化假设与工业场景中检测环境的动态变化和新类别数据引入的现实情况不符，容易导致模型出现灾难性遗忘（Catastrophic Forgetting）和性能下降。

为解决这一挑战，本研究将类增量学习（Class-Incremental Learning）与零样本异常检测（Zero-Shot Anomaly Detection）相结合，提出新型零样本类增量异常检测方法ZSCIAD。该方法将不同类别数据划分为独立任务，以类增量方式训练模型。采用基于卷积神经网络（CNN）的特征提取器从无标注训练样本中提取特征，并设计基于自注意力机制（Self-Attention Mechanism）的特征增强模块，利用全局信息辅助检测复杂异常。

进一步通过局部离群因子（Local Outlier Factor, LOF）算法检测并剔除特征空间中的异常特征，经特征采样后构建全局记忆库（Memory Bank）存储多类别特征集。在MVTec AD、BTAD和DTD-Synthetic数据集上的实验表明，该方法分类AUROC（Area Under Receiver Operating Characteristic）分别达到98%、94%和95%，在不同任务中均保持稳定的高检测精度，显著优于多个经典方法。