前言
效果排名第9(papers with code)
背景
SVDD做baseline
模型原理
思想:利用所有正常数据集训练网络(采用的四种损失可以缩小不同像素间的距离差异SVDD/Cos/Kmean,方向差异SSL),再利用所有正常图经网络输出的所有特征图与测试图之间的距离做检测和定位。
过程:从原图提取出64*64/32*32/16*16的块,分别送入Encoder64/Encoder32/Encoder16(预训练的VGG16网络)提取特征,后经过四种损失。
四种损失
SVDD损失
作用:聚集相同的类似的语义信息。
操作:随机选取patch_i,再随机选取有像素间隔的patch_j,64/32/16的像素间隔分别为4/2/1。patch_k 从离patch_i相距较远的patch中随机选取。
Cos损失
作用:使两个距离较大的patch在语义上相似性较小。
操作:与SVDD相同。
Kmean Loss
操作:随机选择patch_r。
SSL损失
操作:随机选择patch_m,再随机选择64/32/16像素间隔的patch_n。选择的方向是以30度为间距的12个角度。
测试
分类-检测:采用滑动窗口将图分块,再计算块内像素均值,所有块得分的最大值作为检测分数。这种方式能削弱离群像素值对结果的影响。
分割-定位:64/32/16的patch块依步长16/4/4选取,与所有训练集形成的所有特征图对比取每个块中每个像素位置处距离的最小值,再将同一像素位置处重叠的值取平均,再将不同大小patch块形成的值图相加,得到评分图。
实验
不同patch块大小选择的对比;不同的损失对网络效果的影响。