今日感悟
无
今日学习内容
1.详解半监督工业图像表面缺陷检测方法:MemSeg - 知乎
摘要:
本文讨论MemSeg方法,一种基于内存的半监督工业表面缺陷检测技术。该方法使用精心设计的自监督学习异常模拟策略和具有更高效特征匹配算法的内存模块来简化半监督异常检测。本文概述了该方法,包括异常模拟策略、记忆模块、空间注意力图和多尺度特征融合模块,以及训练约束。实验结果表明MemSeg在表面缺陷检测和定位任务中取得了高性能.
感想:
1.自监督的异常样本生成,用于训练。自监督方法值得参考,尤其是“异常模拟策略”
2.loss 的设计值得参考
为了确保MemSeg的预测值接近其真值GT,使用L1损失和focal损失来保证图像空间中所有像素的相似性。与L2损失相比,L1损失约束下预测的分割图像保留了更多的边缘信息。同时,focal损失缓解了图像中正常和异常区域的面积不平衡问题,使模型更加关注困难样本的分割,以提高异常分割的准确性。
2.深度学习论文: WinCLIP: Zero-/Few-Shot Anomaly Classification and Segmentation_mingo_敏的博客-CSDN博客
摘要:
WinCLIP 是一种用于零样本和少样本异常分类和分割任务的方法,它使用对比语言图像预训练 (CLIP) 模型将文本和图像编码器结合起来。该方法利用参考关联来捕获异常样本的特征,实现准确的分类和分割。WinCLIP 在多个数据集(包括 MVTec AD、CIFAR-10 和 MNIST)上进行了评估,其性能优于其他高级方法,在不同的异常类型和样本大小上表现出稳健性和泛化性。
感想:
1.其零样本/少样本能力值得好好验证,在我司场景上的效果验证已经安排。
2.如果效果好,要重点推进推理的问题