简介:1.该教程提供大量的首发改进的方式,降低上手难度,多种结构改进,助力寻找创新点!
2.本篇文章对Pointnet++特征提取模块进行改进,加入
SSPCAB自监督预测卷积关注块,提升性能。
3.专栏持续更新,紧随最新的研究内容。
目录
1.理论介绍
异常检测通常是一个单类分类问题,模型只能从正常的训练样本中学习,同时对正常和异常的测试样本进行评估。在成功的异常检测方法中,一类特殊的方法依赖于预测被掩盖的信息(如补丁、未来帧等),并利用与被掩盖信息相关的重建误差作为异常评分。与相关方法不同,我们提出将基于重建的功能集成到一种新的自监督预测架构构建块中。所提出的自监督块是通用的,可以很容易地结合到各种最新的异常检测方法中。我们的区块从一个带有扩展过滤器的卷积层开始,其中接受野的中心区域被掩盖。产生的激活图通过一个通道注意模块传递。我们的区块配备了一个损失,最大限度地减少了重建误差相对于在接受区被掩盖的区域。我们通过将我们的块集成到几个最先进的图像和视频异常检测框架中来展示其通用性,并提供了经验证据,表明在MVTec AD、Avenue和ShanghaiTech上的性能有了相当大的提