推荐：无需训练的子图像异常检测框架——PyTorch版SPADE

推荐：无需训练的子图像异常检测框架——PyTorch版SPADE

SPADE-pytorchPyTorch implementation of "Sub-Image Anomaly Detection with Deep Pyramid Correspondences"项目地址:https://gitcode.com/gh_mirrors/sp/SPADE-pytorch

SPADE（Sub-Image Anomaly Detection with Deep Pyramid Correspondences） 是一款基于PyTorch实现的先进异常检测算法，它无需专门的训练阶段，却能快速、稳健地达到业内领先性能。在[MVTec AD]数据集上的测试中，SPADE表现出色。

项目介绍

SPADE是一种创新的异常检测方法，它的主要特点是高效和精准。不同于传统的深度学习模型需要大量标注的训练数据，SPADE依赖于深度金字塔对应关系来识别图像中的异常区域。这一特性使得该算法适用于那些难以获取大量异常样本的数据集。

项目技术分析

SPADE的核心是其K最近邻(K-Nearest Neighbors，KNN)策略，尽管本实现版本使用的是K=5，与原论文中的K=50略有不同，但依然能够取得良好的效果。通过构建深层金字塔，算法可以在多个尺度上进行图像比对，从而精确地定位到异常部分。

应用场景

SPADE广泛适用于工业质量控制、监控视频分析、医学影像诊断等领域。例如，在制造业中，它可以用于自动检测生产线上的缺陷产品；在安全监控领域，可以识别出与正常行为模式偏离的行为事件；在医疗成像中，可以帮助医生发现潜在的病变区域。

项目特点

1. 无需训练: SPADE不需要训练阶段，减少了对大量标注数据的依赖。
2. 快速且稳健: 算法运行速度快，且在多种类型的数据上都能保持稳定的准确性。
3. 高性能: 在MVTec AD数据集上实现了接近或超过SOTA的结果。
4. 易于使用: 项目提供了清晰的代码结构和简单的命令行接口，方便用户直接运行和应用。
5. 可视化结果: 实现了ROC曲线的绘制以及异常区域的像素级定位，便于理解和验证算法效果。

如果你正在寻找一个高效、灵活且不需要大量训练数据的异常检测解决方案，那么SPADE无疑是值得一试的选择。只需满足基础的Python和PyTorch环境要求，你就能立即开始探索这个强大的工具。

# 安装必备库
pip install -r requirements.txt
# 运行项目
cd src
python main.py

执行上述步骤后，你将在src/result/roc_curve.png找到ROCAUC结果图，并能在其他地方看到异常检测的具体实例。快来尝试一下SPADE的力量吧！

SPADE-pytorchPyTorch implementation of "Sub-Image Anomaly Detection with Deep Pyramid Correspondences"项目地址:https://gitcode.com/gh_mirrors/sp/SPADE-pytorch