Autoren: Sohn, Kihyuk*; Yoon, Jinsung; Li, Chun-Liang; Lee, Chen-Yu; Pfister, Tomas Beschreibung: Wir untersuchen das Anomalie-Clustering, bei dem Daten in kohärente Cluster von Anomalietypen gruppiert werden. Dies unterscheidet sich von der Anomalieerkennung, die darauf abzielt, Anomalien von normalen Daten zu trennen. Im Gegensatz zum objektzentrierten Bild-Clustering ist das Anomalie-Clustering besonders herausfordernd, da anomale Muster subtil und lokal sind. Wir präsentieren ein einfaches, aber effektives Clustering-Framework, das auf patch-basierten vortrainierten tiefen Einbettungen und handelsüblichen Clustering-Methoden basiert. Wir definieren eine Distanzfunktion zwischen Bildern, von denen jedes als eine Sammlung von Einbettungen dargestellt wird, durch die euklidische Distanz zwischen gewichtet durchschnittlichen Einbettungen. Das Gewicht definiert die Bedeutung von Instanzen (d.h. Patch-Einbettungen) in der Sammlung, die defekte Regionen hervorheben kann. Wir berechnen Gewichte auf unsupervised Weise oder in semi-supervised Weise, wenn beschriftete normale Daten verfügbar sind. Umfassende experimentelle Studien zeigen die Wirksamkeit des vorgeschlagenen Clustering-Frameworks zusammen mit einer neuartigen Distanzfunktion im Vergleich zu bestehenden Multi-Instance- oder Deep-Clustering-Frameworks. Insgesamt erreicht unser Framework 0,451 und 0,674 normalisierte Mutual-Information-Werte in den MVTec-Objekt- und Texturkategorien und verbessert sich weiter mit wenigen beschrifteten normalen Daten (0,577, 0,669), was die Baselines (0,244, 0,273) oder die neuesten Deep-Clustering-Methoden (0,176, 0,277) bei weitem übertrifft.