Mahalanobis PatchCore migliora il rilevamento di anomalie industriali con consapevolezza della covarianza

Una nuova tecnica nota come Mahalanobis PatchCore migliora il rilevamento di anomalie visive in contesti industriali integrando la consapevolezza della covarianza e la compatibilità con dati in streaming. Questo metodo si basa sul framework di retrieval PatchCore, che valuta le immagini di test rispetto a un repository di caratteristiche di patch normali. A differenza della geometria euclidea tradizionale, che trascura le correlazioni tra le feature, Mahalanobis PatchCore impiega un modello di covarianza regolarizzato in uno spazio delle feature ridotto e sbianca gli embedding, facilitando il retrieval di Mahalanobis attraverso la ricerca del vicino più prossimo euclideo. Inoltre, presenta un processo di training a memoria limitata e reiterabile che costruisce incrementalmente il memory bank senza dover memorizzare tutte le patch normali contemporaneamente, utilizzando la riduzione dimensionale incrementale. La ricerca è disponibile su arXiv con ID 2605.27748.