当前位置：首页 > news >正文

CFA: Coupled-hypersphere-based Feature Adaptation 论文解析

news 来源：原创 2025/6/9 11:14:12

CFA: Coupled-hypersphere-based Feature Adaptation 论文解析

论文概述

CFA (Coupled-hypersphere-based Feature Adaptation) 是一种面向目标的异常定位方法，主要用于工业缺陷检测。该方法通过耦合超球面特征适应来实现精确的异常定位，在MVTec AD数据集上取得了SOTA性能。

https://arxiv.org/pdf/2206.04325

https://github.com/sungwool/CFA_for_anomaly_localization/tree/main

核心创新点分析

1. 耦合超球面机制 (Coupled Hypersphere)

核心代码位置: utils/cfa.py 中的 DSVDD 类

1.1 双超球面设计

# 关键参数设置
self.K = 3  # 吸引邻居数量
self.J = 3  # 排斥邻居数量
self.r = nn.Parameter(1e-5*torch.ones(1), requires_grad=True)  # 可学习的超球面半径

创新意义:

传统SVDD只使用单一超球面，CFA引入了吸引-排斥双机制
K个最近邻用于吸引正常样本（拉向球心）
J个次近邻用于排斥边界样本（推离球心）
这种设计使决策边界更加精确和鲁棒

1.2 软边界损失函数

def _soft_boundary(self, phi_p):# 计算到聚类中心的距离features = torch.sum(torch.pow(phi_p, 2), 2, keepdim=True)centers  = torch.sum(torch.pow(self.C, 2), 0, keepdim=True)f_c      = 2 * torch.matmul(phi_p, (self.C))dist     = features + centers - f_c# 选择K+J个最近邻n_neighbors = self.K + self.Jdist = dist.topk(n_neighbors, largest=False).values# 吸引损失：拉近K个最近邻score = (dist[:, : , :self.K] - self.r**2) L_att = (1/self.nu) * torch.mean(torch.max(torch.zeros_like(score), score))# 排斥损失：推远J个次近邻score = (self.r**2 - dist[:, : , self.J:]) L_rep = (1/self.nu) * torch.mean(torch.max(torch.zeros_like(score), score - self.alpha))return L_att + L_rep

创新意义:

L_att (吸引损失): 确保正常样本聚集在超球面内部
L_rep (排斥损失): 防止边界样本过于接近球心，增强判别能力
双损失机制形成了更紧致和判别性的特征表示

2. 坐标感知特征适应 (Coordinate-aware Feature Adaptation)

核心代码位置: utils/coordconv.py 和 utils/cfa.py 中的 Descriptor 类

2.1 CoordConv机制

class CoordConv2d(conv.Conv2d):def __init__(self, in_channels, out_channels, kernel_size, ...):super().__init__(...)self.addcoords = AddCoords(self.rank, with_r, use_cuda=use_cuda)# 增加坐标通道self.conv = nn.Conv2d(in_channels + self.rank + int(with_r), out_channels, ...)def forward(self, input_tensor):# 添加空间坐标信息out = self.addcoords(input_tensor)out = self.conv(out)return out

创新意义:

传统卷积对空间位置不敏感，CoordConv通过显式添加坐标信息解决这个问题
在特征图中嵌入(x, y)坐标和可选的径向距离r
使模型能够感知空间位置关系，对异常定位至关重要

2.2 多尺度特征融合

def forward(self, p):sample = Nonefor o in p:# 不同层的特征进行平均池化o = F.avg_pool2d(o, 3, 1, 1) / o.size(1) if self.cnn == 'effnet-b5' else F.avg_pool2d(o, 3, 1, 1)# 插值到统一尺寸并拼接sample = o if sample is None else torch.cat((sample, F.interpolate(o, sample.size(2), mode='bilinear')), dim=1)# 通过CoordConv进行特征适应phi_p = self.layer(sample)return phi_p

创新意义:

融合CNN不同层的多尺度特征
低层特征捕获细节，高层特征捕获语义
通过CoordConv增强空间感知能力

3. 自适应聚类中心初始化

核心代码位置: utils/cfa.py 中的 _init_centroid 方法

def _init_centroid(self, model, data_loader):for i, (x, _, _) in enumerate(tqdm(data_loader)):x = x.to(self.device)p = model(x)self.scale = p[0].size(2)  # 记录特征图尺寸phi_p = self.Descriptor(p)# 增量式更新聚类中心self.C = ((self.C * i) + torch.mean(phi_p, dim=0, keepdim=True).detach()) / (i+1)

后处理聚类:

if self.gamma_c > 1:self.C = self.C.cpu().detach().numpy()# 使用K-means进一步优化聚类中心self.C = KMeans(n_clusters=(self.scale**2)//self.gamma_c, max_iter=3000).fit(self.C).cluster_centers_self.C = torch.Tensor(self.C).to(device)

创新意义:

增量式初始化避免内存溢出
gamma_c参数控制聚类中心数量，平衡精度和效率
自适应的聚类中心更好地表示正常样本分布

4. 软最小值异常评分

核心代码位置: utils/cfa.py 中的 forward 方法

def forward(self, p):phi_p = self.Descriptor(p)       phi_p = rearrange(phi_p, 'b c h w -> b (h w) c')# 计算到所有聚类中心的距离features = torch.sum(torch.pow(phi_p, 2), 2, keepdim=True)    centers  = torch.sum(torch.pow(self.C, 2), 0, keepdim=True)f_c      = 2 * torch.matmul(phi_p, (self.C))dist     = features + centers - f_cdist     = torch.sqrt(dist)# 选择K个最近邻n_neighbors = self.Kdist = dist.topk(n_neighbors, largest=False).values# 软最小值加权dist = (F.softmin(dist, dim=-1)[:, :, 0]) * dist[:, :, 0]dist = dist.unsqueeze(-1)# 重塑为空间维度score = rearrange(dist, 'b (h w) c -> b c h w', h=self.scale)return loss, score