1. 论文
http://prints.vicos.si/publications/385
发表在Computers in Industry, 2021
源码:https://github.com/vicoslab/mixed-segdec-net-comind2021
2. 特点
简单一句话,主要思想是结合完全标记数据和弱标记数据进行训练,以提高性能并降低标注成本。
(1)该模型使用两个子网络,分别是分割子网络和分类子网络。
(2)分割子网络利用像素级标签进行训练,而分类子网络利用图像级标签进行训练。
(3)特别是在使用大量弱标记数据时,该方法的性能更好。此外,仅添加5-10%的完全标记数据就可以显著提高性能。
3. 框架和算法介绍
缺点:(1)分割模块只有下采样,没有上采样,最后的分割精度会下降。(2)且没有跳层连接(类似resnet或者unet结构),浅层信息会丢失,不利于多尺度缺陷检测。
4. 如何同时训练
(1)L_seg和L_cls分别是分割损失和分类损失,损失函数都是交叉熵;
(2)参数δ是分类损失的额外参数,较小的参数可以使其重点训练分割模块;
(3)参数γ用于控制训练分割网络,如果有异常anomalous (positive) image且没有像素级标注则不训练分割模块,其他情况都要训练分割模块;
无异常但是有标注,指的是像素标注都是0;
(4)参数λ用于平衡最后的损失值,随着迭代,参数λ逐渐变小,即训练重点由训练分割模块逐渐过渡到训练分类模块。
待续。。。