数据集概述
该数据集为长尾异常检测（LTAD）研究提供了数据拆分方案，基于MVTec、VisA和DAGM三个公开数据集构建不同不平衡类型的长尾拆分。核心用于评估异常检测模型在类不平衡场景下的性能，支持CVPR 2024论文“Long-Tailed Anomaly Detection with Learnable Class Names”的复现与后续研究。
文件详解
- 根目录文件：
- README.md：Markdown格式的说明文档，介绍数据集背景、结构及使用方法
- 数据集拆分目录（dataset_split/）：
- dagm_lt/：DAGM数据集的长尾拆分文件夹，包含不同不平衡类型（指数、阶梯等）的子目录
- mvtec_lt/：MVTec数据集的长尾拆分文件夹，结构同上
- visa_lt/：VisA数据集的长尾拆分文件夹，结构同上
- 子目录文件（以visa_lt/exp/100/为例）：
- train.json：训练集元数据文件，包含字段：filename（图像路径）、label（0为正常/1为缺陷）、label_name（标签名称）、clsname（类别名称）
- test.json：测试集元数据文件，在训练集字段基础上增加maskname（缺陷区域掩码路径）
数据来源
Mitsubishi Electric Research Laboratories (MERL)
适用场景
- 计算机视觉研究：评估异常检测模型在长尾分布场景下的鲁棒性
- 工业质检应用：研究类不平衡工业缺陷检测的算法优化方向
- 论文复现验证：复现CVPR 2024相关长尾异常检测研究的实验结果
- 模型基准测试：构建长尾异常检测任务的统一性能评估基准
