本文探讨了一篇关于使用segmentation网络进行表面缺陷检测的论文，该论文提出的方法旨在解决工业环境中缺陷样本少、检测率要求高、算力受限的问题。模型由segmentation network和decision network组成，通过逐像素损失函数进行训练。实验证明，交叉熵损失通常比均方差损失表现更好。尽管模型输出分辨率较低，但因其针对性地解决了实际问题，仍具有较高的实用价值。
前言：
{
最近很久都没更新了。说实话，没时间都是借口，主要还是忘记了要时刻学习。
这段时间我在了解segmentation网络，之前我搜到了一篇腾讯云社区上的文章[1]，标题说其秒杀DeepLab。这确实激起了我的兴趣，因此我决定先读一读原论文[2]。
值得一提的是，此论文的目标是缺陷检测（分割），我很好奇其能不能泛化到其他的segmentation领域。
}
正文：
{
在论文的摘要（Abstract）和导论（Introduction）中，作者介绍了论文方法所解决的实际问题：
- 一般工业实际中也只能提供少量的缺陷样本；
- 缺陷检测需要100%的detection rate；
- 算力（时间）受限。
主要段落（Proposed approach和Segmentation and decision network evaluation）中，作者首先给出了论文模型的结构，见图1。
最低0.47元/天 解锁文章
扫一扫
8201
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
