2023 CVPR
基于feature-embedding的方法
一、特征提取器
使用某预训练权重的CNN网络中的L层作为特征提取主干网络，保留每一层的输出记为
将
记为一个操作子单位，以其为中点，根据patch size 大小范围的邻居的信息更新
，更新方式为根据一个patch size中的信息做adaptive average pooling
邻居选择算法
将各层输出都resize到统一大小，然后在通道为cat起来作为特征提取器最终输出
二、特征适配器
使用多层感知机，将特征提取器的结果适配到目标域。
我更愿意认为是将特征做了调整
三、造异常
通过在提取的特征中添加噪声，使正常的特征产生偏移。
来自合成数据的特征可能偏离正常特征很远，使用这种负样本进行训练可能会导致松散的正常特征空间，这意味着不明显的缺陷可能包含在分布特征空间中。
四、分类器
对每一个像素点进行分类
五、获得异常区域分割
对小的异常图进行插值到原始输入大小。
1018
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
