Autores: Sohn, Kihyuk*; Yoon, Jinsung; Li, Chun-Liang; Lee, Chen-Yu; Pfister, Tomas Descrição: Estudamos o agrupamento de anomalias, agrupando dados em clusters coerentes de tipos de anomalia. Isso é diferente da detecção de anomalias, que visa separar anomalias de dados normais. Ao contrário do agrupamento de imagens centrado em objetos, o agrupamento de anomalias é particularmente desafiador, pois os padrões anômalos são sutis e locais. Apresentamos uma estrutura de agrupamento simples, mas eficaz, usando embeddings profundos pré-treinados baseados em patches e métodos de agrupamento prontos para uso. Definimos uma função de distância entre imagens, cada uma representada como um conjunto de embeddings, pela distância euclidiana entre embeddings ponderados. O peso define a importância das instâncias (ou seja, embeddings de patches) no conjunto, o que pode destacar regiões defeituosas. Calculamos os pesos de maneira não supervisionada ou de maneira semi-supervisionada quando dados normais rotulados estão disponíveis. Estudos experimentais extensivos mostram a eficácia da estrutura de agrupamento proposta, juntamente com uma nova função de distância em relação a frameworks existentes de múltiplas instâncias ou de agrupamento profundo. No geral, nossa estrutura alcança 0.451 e 0.674 em pontuações de informação mútua normalizada nas categorias de objetos e texturas do MVTec e melhora ainda mais com alguns dados normais rotulados (0.577, 0.669), superando amplamente as linhas de base (0.244, 0.273) ou métodos de agrupamento profundo de última geração (0.176, 0.277).