边缘持续视觉异常检测：基准和高效解决方案

视觉异常检测 (VAD) 是许多应用（包括工业检查和医疗保健）的一项关键任务。尽管 VAD 已得到广泛研究，但两个关键挑战在很大程度上仍未得到解决：边缘部署（计算资源受到严重限制）和持续学习（模型必须适应不断变化的数据分布，同时又不会忘记以前获得的知识）。我们的基准测试为在联合效率和适应性约束下选择最佳主干和 VAD 方法提供了指导，描述了内存占用、推理成本和检测性能之间的权衡。孤立地研究这些挑战是不够的，因为为一种环境设计的方法所做出的假设在同时施加其他约束时就会失效。在这项工作中，我们提出了持续学习场景中边缘 VAD 的第一个综合基准，评估了跨三个轻量级骨干架构的七个 VAD 模型。此外，我们提出了 Tiny-Dinomaly，这是基于 DINO 基础模型构建的 Dinomaly 模型的轻量级改编，可将内存占用缩减至原来的1/11，计算成本缩减至原来的1/20，同时将定位 (Pixel F1) 提高 5 个百分点。最后，我们对 PatchCore 和 PaDiM 进行了有针对性的修改，以提高它们在持续学习环境中的效率。