📝 主旨内容

为什么要取核心集而不是存储全部正常特征

1. 减少内存占用

2. 加快推理速度

3. 找到代表元素，增加鲁棒性(防止过拟合，指标有所提升)

选择策略是什么

1. 内层的min():
• 这个内层的min表示的是，对于每个点，找到在核心集 中与 距离最近的点 。
• 它度量的是点 到核心集中最近点 的距离。这个距离表示了 对 的代表性。

2. 中层的max():
• 这个max表示在所有原始点 中，找到到其最近核心集点 的最大距离。
• 它度量的是核心集 的最坏情况，即对整个数据集 中最不利的点 ，核心集 的表现。

3. 外层的min():
• 这个外层的min表示在所有可能的核心集 中，找到一个核心集使得上面所述的最坏情况下的最大距离最小化。
• 它确保选择的核心集 在最坏情况下也能尽可能地代表原始数据集 。

min和max可以交换吗——不能

• 代表性问题：如果先min再max，表达的意义就完全变了。min表示找到离核心集中某点最近的原始点，而max表示取其中距离最大的原始点。这样的话，核心集中的每个点都找一个最近的原始点，然后在这些点中找最大的那个，这并不能代表整体数据的最坏情况，也无法保证核心集在最坏情况下的表现。

• 优化目标不同：max-min和min-max在优化目标上是不同的。原公式的目标是优化最坏情况的表现（minimize the maximum distance），而调换位置后就变成了优化某些局部最优情况，这不符合核心集选择的目标。
举例说明
假设有三个点 和两个核心集点
• 如果按照 ，我们会先找到每个点到核心集中最近点的距离，然后选择这些距离中的最大值，最后选择一个核心集使这个最大值最小。
• 如果调换位置为 ，则会先找每个核心集中点到最远原始点的距离，再选取这些距离中的最小值，这并不能保证最坏情况下的优化效果。

为什么不能直接求解——求解空间大(NP-hard)

求解空间大小

求解的时间复杂度

求解的伪代码

被忽略的时间开销

如何优化——贪心+随机投影

1. 选择起始点：随机选择指定数量的起始点。

2. 计算起始点与所有点的距离矩阵。

3. 计算每个点到所有起始点距离的平均值作为初始的距离值。

4. 在循环中逐步选择距离值最大的点（贪心选择），然后更新每个点到已选择点的最小距离。

图 | Ziuch の Blog

图的定义，图的存储，图的遍历，最短路，拓扑排序，最小生成树，并查集

https://ziuch.com/article/Graph

比较优化前后

效果——采样率为0.1最好

发展到3D——多库协同或全样本入库

可能的原因

1. 追求精度

2. 硬件资源充足？

3. 少样本

🤗 总结归纳

内鬼会在核心集的选取中被抛弃吗(异常混入内存库)

📎 参考文章

PatchCore原理与代码解读-CSDN博客

文章浏览阅读1.7w次，点赞36次，收藏113次。随机下采样会丢失 \(\mathcal{M} \) 中的有用信息，本文使用coreset subsampling方法来减小 \(\mathcal{M} \)，coreset selection旨在找到一个子集 \(\mathcal{S}\subset \mathcal{A}\)，对于通过 \(\mathcal{A}\) 得到的解，通过 \(\mathcal{S}\) 可以快速得到最近似解。其中 \(f_{agg}\) 是邻域特征向量的聚合函数，文中采用adaptive average pooling。_patchcore

https://blog.csdn.net/ooooocj/article/details/127834029

计算机视觉异常检测——PatchCore面向全召回率的工业异常检测-CSDN博客

文章浏览阅读2.2k次，点赞26次，收藏32次。PatchCore模型是一种先进的工业异常检测方法，它在MVTec数据集上取得了最先进的性能（State of the Art，简称SOTA。这个数据集是工业领域内公认的用于评估异常检测算法的标准数据集，包含了多种不同类别的工业产品图像，既有正常样本也有异常样本。PatchCore的关键优势在于它的特征提取机制。传统的异常检测方法通常需要大量的标注数据来训练模型，以学习正常和异常图像之间的差异。然而，PatchCore采用了一种不同的策略，它利用了预训练模型（如WideResNet50）来提取图像特征。这_patchcore

https://blog.csdn.net/matt45m/article/details/137528931