缺陷检测-Mixed supervision for surface-defect detection:from weakly to fully supervised learning

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。。。