2021.8,ICCV,排名第十(papers with code)
模型原理
网络三大模块:异常生成模块、重构模块、判断模块。
异常生成模块:因为只有正常数据,通过将异常区域做到正常图里达到模拟异常图的效果。
重构模块:将产生的异常图进行重构得到重构图,可以产生损失Lr。
判断模块:重构图与异常图一同输入,通过该模块的层级结构对比产生分割真值图。
理解为以重建的方法为主体,辅助使用数据增强的及分割图的深入推断(使用了U-Net网络结构)。
Simulated anomaly generation
异常图像由柏林噪声发生器,通过随机均匀采样的阈值二值化后生成。
Reconstructive sub-network
重建子网络:编码器-解码器
假设输入张量A1(输入的为Simulated anomaly generation做的正常改异常后的数据。)
编码器:经过五个块(每个块包含两套卷积,归一化层,激活函数),生成张量A2。
解码器:经过四个块(每个块包含一个上采样,三套卷积,归一化层,激活函数),再经过一层卷积,生成张量A3。
损失函数:l2损失常用于基于重构的异常检测方法,这种损失是假设像素间是独立的,因此,本文还采用了另一种损失SSIM加强像素间交互性。
Discriminative sub-network
U-Net结构,将重构好的图像A3与刚开始输入的图像A1一起输入该网络,层级判断对比生成分割图。