《Patch SVDD: Patch-level SVDDfor Anomaly Detection and Segmentation》论文阅读笔记

作者:Jihun Yi[0000−0001−5762−6643] and Sungroh Yoon

出自:ACCV 2020

Introduction:

        单类支持向量机(OC-SVM)

        支持向量数据描述(SVDD)是一种用于异常检测的长期算法,我们使用自监督学习将其深度学习变体扩展到基于补丁的方法。SVDD在内核空间中搜索包含数据的超球。

        本文将Deep SVDD扩展为一种分片检测方法,提出了Patch SVDD。该方法实现了异常分割,提高了异常检测性能。

Background:

2.1 异常检测和分割 

        训练评分函数Aθ,在测试时,具有高Aθ(x)值的输入被视为异常。用于评估评分函数的事

实上的标准度量是受试者工作特征曲线下的面积(AUROC)。

方法:

 3.1 Patch-wise Deep SVDD

 

        该编码器将整个训练数据映射到位于特征空间中的小超球内的特征。损失函数为:(没有偏置项)训练补丁编码器fθ

 

         作者将这种方法扩展到了图2所示,编码器编码每个拼贴元,而不是整个图像。因此,对每个块执行检查。逐块检测有几个优点。第一,在每贴片;如个位置都可以得到检测结果,因此我们可以定位缺陷的位置。其次,这种细粒度检查提高了整体检测性能。

3.2 自监督学习

通过以下损失函数添加自监督学习信号:

 

 

3.3分层编码

        

         将一个输入面片p划分为2 × 2的网格,将它们的特征聚合起来构成p的特征,如图5所示。具有感受野大小K的每个编码器用贴片大小K的自监督任务来训练。在整个实验中,大编码器和小编码器的感受野大小分别设置为64和32。

3.4 生成异常图

        

异常分割图的计算:(逐像素相乘)

 

 

实验:

数据集:MVTECAD,

实验结果: 

 

 

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值