PKU-GoodsAD

PKU-GoodsAD数据集是专为无监督异常检测设计的，包含6124张超市商品的高分辨率图像，涵盖484种不同商品，分为6大类。每类商品包含多种异常类型，如变形、表面损伤和开口等。数据集遵循无监督设置，仅使用无缺陷图像进行训练，提供像素级精确的异常区域标注。该数据集旨在推动无人工超市和智能制造领域的异常检测研究和应用，通过评估现有无监督异常检测方法，揭示了不同方法在实际应用中的性能差异。The PKU-GoodsAD dataset is specifically designed for unsupervised anomaly detection. It contains 6,124 high-resolution images of supermarket merchandise, encompassing 484 distinct product types grouped into 6 major categories. Each category features multiple anomaly types, including deformation, surface damage, and opening defects. The dataset adheres to the unsupervised learning paradigm: only defect-free images are utilized for model training, with pixel-perfect annotations for anomalous regions provided. This dataset is intended to advance anomaly detection research and applications in the domains of unmanned supermarkets and intelligent manufacturing. By evaluating existing unsupervised anomaly detection methods, it exposes the performance gaps between different methods in real-world scenarios.

搜集汇总

数据集介绍

构建方式

PKU-GoodsAD数据集的构建方式独具匠心，旨在填补超市商品异常检测领域的数据集空白。研究者们在真实无人超市应用场景中，收集了大量正常和异常商品样本图像，并进行了像素级的异常标注，从而创建了首个用于商品异常检测的人工智能数据集。该数据集包含六大类商品，包括瓶装饮料、罐装饮料、瓶装食品、盒装食品、包装食品和盒装香烟，共计484种不同外观的商品，每种商品包含多种类型的异常，如变形、表面损坏和开启等。所有图像均采用3000×3000像素的高分辨率，并提供了图像级和像素级的标注，为图像级异常分类和像素级异常分割提供了精确的地面真实数据。

特点

PKU-GoodsAD数据集具有以下几个显著特点：首先，它是一个大规模、多目标的商品异常检测数据集，涵盖了超市中常见的多种商品类型，并包含了多种类型的异常，如表面损坏、变形和开启等。其次，数据集采用了无监督的设置，仅使用无缺陷的正常图像进行训练，并提供了像素级的地面真实区域标注，方便进行异常检测和分割的评价。最后，数据集的图像分辨率高，且商品位置未对齐，更贴近真实场景，为异常检测算法的研究提供了更具挑战性的测试平台。

使用方法

PKU-GoodsAD数据集可用于无监督异常检测算法的研究和评估。研究者们可以使用该数据集进行算法训练、测试和性能评估，并与其他数据集进行对比，以验证算法的通用性和鲁棒性。此外，该数据集也可用于异常检测算法在无人超市和智能制造业等实际场景中的应用，帮助检测和替换损坏的商品，提高生产效率和产品质量。

背景与挑战

背景概述

随着无人超市和智能制造的快速发展，视觉异常检测技术在商品检测领域的重要性日益凸显。现有的异常检测数据集主要集中在工业自动检测、医学图像分析和视频监控等领域，缺乏针对超市商品异常检测的专门数据集。PKU-GoodsAD数据集由北京大学深圳研究生院机器感知重点实验室的研究团队于2023年创建，旨在填补这一空白，推动无人超市和智能制造业中异常检测技术的研究和应用。该数据集包含6124张高分辨率图像，涵盖了484种不同外观的商品，分为6个类别，每个类别都包含多种常见的不同类型异常，如变形、表面损坏和打开等。数据集采用无监督设置，仅使用无缺陷的正常图像进行训练，并为所有异常提供像素级别的真实区域标注。PKU-GoodsAD数据集的创建为视觉异常检测领域的研究提供了新的数据资源和基准，有助于促进相关算法的发展和性能提升。

当前挑战

PKU-GoodsAD数据集在解决视觉异常检测领域问题的同时，也面临着一些挑战。首先，超市商品种类繁多，外观变化较大，这对异常检测算法的泛化能力提出了更高的要求。其次，异常区域在图像中占比较小，且类别不平衡，这给算法的准确性和鲁棒性带来了挑战。此外，现有的无监督异常检测方法大多假设图像中的物体位置固定，而PKU-GoodsAD数据集中的商品位置不固定，这也给算法的定位精度带来了挑战。针对这些挑战，需要进一步研究和发展新的异常检测算法，以提高算法的泛化能力、准确性和鲁棒性，并适应不同的应用场景。

常用场景

经典使用场景

PKU-GoodsAD 数据集主要应用于视觉异常检测领域，特别是针对超市商品的无监督异常检测与分割。该数据集包含 6124 张高分辨率图像，涵盖了 484 种不同外观的商品，分为 6 个类别。每个类别都包含几种常见的不同类型的异常，如变形、表面损伤和开启等。该数据集为研究超市商品异常检测提供了宝贵的资源，有助于开发更精确的异常检测算法，提升无人超市和智能制造的智能化水平。

解决学术问题

PKU-GoodsAD 数据集解决了当前异常检测数据集主要集中在工业质量检测、医学图像分析和视频监控等领域的问题，为超市商品异常检测提供了专门的数据集。该数据集有助于研究人员测试当前最先进的无监督异常检测方法在超市商品场景下的性能，并推动相关算法的发展。此外，该数据集还提供了像素级精确的异常区域标注，为图像级异常分类和像素级异常分割提供了可靠的评估标准。

衍生相关工作

PKU-GoodsAD 数据集的发布推动了超市商品异常检测领域的研究。基于该数据集，研究人员可以开发更精确的异常检测算法，提升无人超市和智能制造的智能化水平。此外，该数据集还可用于其他领域的异常检测研究，如工业质量检测、医学图像分析和视频监控等，推动相关算法的通用性和鲁棒性研究。