注册

InCLAD：面向工业视觉异常检测的持续学习基准发布

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇新论文提出 InCLAD，把工业视觉异常检测从静态训练/测试问题改写为持续学习基准。该基准采用任务增量设定：每个工业部件对应一个任务，学习目标保持半监督，模型在依次接触新部件时需维持对所有已见部件的表现。论文设计了随机、由易到难、由难到易等多种场景，并额外提出跨多个数据集的场景。评估从图像级异常检测与像素级异常定位两个角度展开，关注知识保留、适应与泛化。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

静态基准的缺口

现有工业异常检测基准大多保持静态，难以反映实际部署中检测系统需要随时间从一种工业部件扩展到另一种部件的情形。论文指出，许多已有工业流水线要么假设具备完整的缺陷监督标签，要么只研究孤立的数据集，因此半监督异常检测器在一连串异构部件上的行为尚不清楚。InCLAD 正是为填补这一空白而提出，把工业异常检测重新组织为持续基准，而非一次性的训练与测试划分。

任务增量与半监督设定

在该基准中，持续工业异常检测被框定为任务增量问题：每个部件定义一个任务，学习目标保持半监督不变。目标不局限于常规异常检测，模型在依次接触新部件的过程中，还需保持对所有已见部件的性能。论文据此把基准组织为一连串相关的部件级任务，并定义了多种场景，包括随机顺序、由易到难、由难到易。除单数据集的持续场景外，作者还提出了跨多个数据集的更具挑战性的场景。

两个评估视角

论文从两个互补角度衡量持续性能：图像级异常检测与像素级异常定位。前者判断图像整体是否异常，后者定位异常所在像素区域。通过把工业异常检测从静态问题改写为持续基准，作者希望为研究演进工业环境中的知识保留、适应与泛化提供一条具体路径。该工作被归类到机器学习与人工智能方向，论文全文与 DOI 链接已随预印本提供。

为什么值得看

工业质检模型常需从一种部件扩展到另一种，该基准给出了衡量知识保留与遗忘的评测框架。

论文数据集

信源1 家

  1. [1]arXiv cs.AI一手信源InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection

关键事实

  • 论文标题为 InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection[1]

  • 作者为 Łukasz Marcjan、Dorota Wilk-Kołodziejczyk、Roberto Corizzo[1]

  • 提交日期为 2026 年 10 月 10 日，arXiv 编号 2610.15032[1]

  • 持续工业异常检测被定义为任务增量问题，每个部件构成一个任务，学习目标为半监督[1]

  • 基准包含随机、由易到难、由难到易场景，以及跨多个数据集的场景，评估涵盖图像级检测与像素级定位[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论