异常检测
文章平均质量分 55
论文
wo42ge
这个作者很懒,什么都没留下…
展开
-
DFR: Deep Feature Reconstruction for Unsupervised Anomaly Segmentation
然后是这个区域特征生成器,下边这张图是它的一个具体结构,首先将来自不同感受野的特征图进行resize,变成输入图像的空间大小,然后用均值滤波器对其进行卷积,最后将其拼接得到融合的特征图f(x),这个特征图是多尺度的。作者他们在mvtec上做了实验,这里是它的一个实验结果,从右边图中可以看到除了作者的这个网络,还有一个ST-M效果也不错,但是它需要同时训练几个不同的网络,而作者这个模型只需要训练一个重建网络,更加灵活。这篇论文讲的是一个基于重建的无监督异常检测网络结构。原创 2023-06-13 13:39:43 · 288 阅读 · 0 评论 -
Combining GANs and AutoEncoders for Efficient Anomaly Detection
作者他们说像VAE这样的自动编码器的生成模型会为逼真的图像生成模糊重建,而他们参考的模型BiGAN虽然将自编码器和GAN进行了结合,但是重建的样本往往是错位的,因为鉴别器只关注重建出来的图像是否像真实的,而不会保证精确地重建它,所以作者他们在BiGAN上做了改进,并提出了CBiGAN。最后是他们的一个效果图,作者他们和他们参考的网络做了对比,左边是数据集中的有缺陷的图,然后是重建图像以及重建和原图的对比,可以看到EGBAD虽然能够重建图像,但是和原图的差距还是比较明显的,而作者他们重建的图像都比较精确。原创 2023-06-13 13:38:24 · 120 阅读 · 0 评论 -
Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and Masked Multi-scale Reconstr
首先作者提出了一个叫AeBAD的数据集,由航空发动机叶片组成,该数据集分为两部分,一个S和一个V,S代表单个叶片的图像,V是一个包含多个叶片的视频,其中训练集仅包含正常样本,测试集包含正常和异常两种样本,异常样本主要有四种类型:击穿、烧蚀、沟槽、断裂。然后右边这个公式是它的异常评分函数,这两个z分别是上边两个部分输出的特征向量,然后分别按行归一化后得到的结果,经过运算后得到的结果进行上采样到原始图像的分辨率得到一张热图,取其中的最大值为这张图象的异常分数。原创 2023-06-13 13:30:53 · 402 阅读 · 0 评论 -
TWO-STREAM DECODER FEATURE NORMALITY ESTIMATING NETWORK FOR INDUSTRIAL ANOMALY DETECTION
关于这个FNE模块,在训练的时候,他将异常解码器预测的图像作为groudtruth,然后将F和M调整成同样的大小,然后使用结构相似性指数作为度量,计算他们之间的信道方向距离,然后将计算出来的值进行归一化得到Wgt,然后左边的F经过三层MLP后通过sigmoid函数生成W’,训练时对他们之间的交叉熵损失LFNE进行最小化。然后接下来就是他们模型的一些效果图,上边的图展示了他们的模型对异常图像的识别,下边的图展示了他们模型对图像的重建,并和其他的模型作了比较。原创 2023-03-28 13:41:25 · 113 阅读 · 0 评论 -
EdgRec(Reconstruction from edge image combined with color and gradient difference)
然后是关于重建网络,作者说对于异常检测来说,添加跳跃连接是有风险的,因为这些浅层编码特征可以直接传输到最终解码层,这增加了模型生成身份图的风险,但是由于他们的编码特征和解码的内容非常不同,输入是灰度边缘图,输出是RGB图,然后根据实验结果看来,他们发现使用跳跃连接可以提高他们的性能。然后这个是它的色差函数,Ir是重建图像,I是原始图像,fmean用来平滑最终结果。最后就是他们在MVTec上的实验结果,上边是图像级的,下边是像素级的,然后作者他们的实验结果在最右边,从结果来看,整体效果还是不错的。原创 2023-03-28 13:37:17 · 294 阅读 · 0 评论 -
Multiresolution Knowledge Distillation for Anomaly Detection
教师网络是在imageNet上预训练的VGG-16网络,学生网络是一个简化的VGG-16网络,训练过程中输入正常图片到两个网络中,通过教师网络对学生网络进行指导,算出损失函数,进行反向传播,迭代运算。对于异常定位,这里是通过寻找损失的梯度变化比较大的地方,因为在测试时,如果输入的是异常数据,那么教师和学生两个网络学到的特征就不一样,损失如果进行反向传播,梯度变化就会比较大。这篇论文主要讲的是作者设计了一种方法,通过知识蒸馏训练学生网络,然后对教师网络和学生网络输入,观察结果来达到缺陷检测。原创 2023-03-28 13:34:31 · 328 阅读 · 0 评论 -
OCR-GAN(Omni-frequency Channel-selection Representations for Unsupervised Anomaly Detection)-无监督异常检测
基于重建多频率解耦的无监督异常检测原创 2023-03-27 14:27:24 · 980 阅读 · 0 评论