- 博客(5)
- 收藏
- 关注
RSS订阅原创 【Patchcore论文阅读】迈向工业异常检测的全面召回 | Towards Total Recall in Industrial Anomaly Detection
能够检测图像中异常模式是人类认知中深深根植的一个特征。人类在仅见到少量正常实例后，就可以区分数据中的预期变化和异常情况。本文解决了这个问题的计算版本，即用于工业图像数据的视觉检查的冷启动异常检测问题。该问题在许多工业场景中出现，因为获取正常样本的图像很容易，但完整指定预期缺陷的变化却成本高且复杂。这个任务自然被视为一个分布外检测问题，其中模型需要区分训练数据分布内的样本和分布外的样本。工业视觉缺陷分类尤其困难，因为错误可能从细微的变化（如细小的划痕）到较大的结构性缺陷（如缺少组件）。
2024-05-26 23:45:04
1073
2
原创 深度工业图像异常检测调查|Deep Industrial Image Anomaly Detection: A Survey
近期深度学习的迅速发展在工业图像异常检测（IAD）领域标志着一个重要的里程碑。在本文中，研究者对基于深度学习的图像异常检测技术进行了全面的回顾，从神经网络架构、监督水平、损失函数、评价指标和数据集等多个角度进行考察。此外，本文从工业制造中提取出一个有前景的设置，并在提出的设置下回顾当前的IAD方法。更进一步，本文突出了图像异常检测领域中几个尚未解决的挑战。在不同的监督水平下，代表性网络架构的优点和缺点被深入讨论。最后，文章总结了研究发现，并指出了未来研究的方向。
2024-03-31 22:54:06
1526
原创 IM-IAD：工业制造中的工业图像异常检测基准 | IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing
图像异常检测（IAD）是工业制造（IM）领域中新兴且至关重要的计算机视觉任务。最近，许多先进的算法被报道出来，但它们在不同的工业制造环境下的表现有很大的偏差。研究者意识到，缺乏一个统一的工业制造基准正在阻碍IAD方法在真实世界应用中的发展和使用。此外，没有统一基准，研究者很难分析IAD算法。为了解决这个问题，本文首次提出了一个统一的工业制造基准，以评估这些算法的表现，包括不同级别的监督（无监督与全监督）、学习范式（少量样本、持续学习和带噪声标签）和效率（内存使用和推理速度）。
2024-03-22 11:56:48
1813
2
原创 3D点云异常检测数据集 | Real3D-AD: A Dataset of Point Cloud Anomaly Detection
本文介绍了Real3D-AD，一个旨在解决高精度点云异常检测领域现有限制的挑战性数据集。尽管高精度点云异常检测被认为是识别先进加工和精密制造缺陷的黄金标准，但数据集的稀缺和缺乏系统性基准测试阻碍了该领域的发展。Real3D-AD通过提供1,254个高分辨率3D物品（每个物品从四万到数百万个点）成为迄今为止最大的高精度3D工业异常检测数据集，其点云分辨率（0.0010mm-0.0015mm）、360度全覆盖和完美原型等特性超越了现有的3D异常检测数据集。
2024-03-17 22:57:55
1935
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人