Auteurs : Sohn, Kihyuk* ; Yoon, Jinsung ; Li, Chun-Liang ; Lee, Chen-Yu ; Pfister, Tomas Description : Nous étudions le clustering d'anomalies, regroupant des données en clusters cohérents de types d'anomalies. Cela diffère de la détection d'anomalies qui vise à séparer les anomalies des données normales. Contrairement au clustering d'images centré sur les objets, le clustering d'anomalies est particulièrement difficile car les motifs anormaux sont subtils et locaux. Nous présentons un cadre de clustering simple mais efficace utilisant des embeddings profonds pré-entraînés basés sur des patches et des méthodes de clustering prêtes à l'emploi. Nous définissons une fonction de distance entre les images, chacune étant représentée comme un ensemble d' embeddings, par la distance euclidienne entre les embeddings moyennés pondérés. Le poids définit l'importance des instances (c'est-à-dire, les embeddings de patch) dans l'ensemble, ce qui peut mettre en évidence des régions défectueuses. Nous calculons les poids de manière non supervisée ou de manière semi-supervisée lorsque des données normales étiquetées sont disponibles. D'importantes études expérimentales montrent l'efficacité du cadre de clustering proposé ainsi qu'une nouvelle fonction de distance par rapport aux cadres de clustering à instances multiples ou profonds existants. Dans l'ensemble, notre cadre atteint des scores d'information mutuelle normalisée de 0,451 et 0,674 sur les catégories d'objets et de textures MVTec et s'améliore encore avec quelques données normales étiquetées (0,577, 0,669), dépassant largement les références (0,244, 0,273) ou les méthodes de clustering profond à la pointe de la technologie (0,176, 0,277).