对于工业缺陷小样本问题的总结

总结文章原文：如何解决工业缺陷检测小样本问题？

工业缺陷样本难以获得，那么需要从 源头（缺陷样本） 或者 算法 这两个角度考虑。

1. 从样本上考虑，无非就是增加样本量
   （1）手动给正常样本制造缺陷，但是这个费时费力，并且对于昂贵的产品不合适。
   （2）利用仿真，但是现在大多这种数据增广的方式利用的是传统的方案，只能仿真出缺陷的位置改变或者一些简单的纹理变化，对于复杂的纹理以及缺陷的各种形状还比较难。

对于以上两种增加样本的理解，我认为一方面是费时费力的，另外一方面因为样本的种类各种各样，没有办法预测，所以目前开始流行无监督的异常检测方案。

2. 从算法上考虑，可以理解为利用无监督或者弱监督的方式去实现
   （1）利用生成模型，常用的就是VAE或者GAN，但是我感觉，生成算法要建立在模型重建精度比较高的基础上，并且最后做的是像素级的比较，时间复杂度比较高。
   （2）利用基于特征的表达，现在比较流行的flow-base和一类分类器SVDD等。

如果继续从有监督的思路去看考虑，可以使用数据归一化，或者是迁移学习（典型的就是域适应DA和域泛化DG），这里我还没有研究过。