2021.10,MVTec排名18。
模型原理
思想:本质是重构网络的大体框架,装配了新的图像增强策略,坐标通道连接策略,以及一些损失(重建损失,对抗损失,特征匹配损失)的组合。
硬图像增强(Hard augmentation,生成偏离原始样本分布的样本。),对抗学习,坐标通道连接 。
图像增强方法(在训练阶段,应用到增强技术的图像占总图像的50%):
坐标通道连接:
生成秩为1的矩阵,再归一化到[-1,1]。
疑问
一个问题:为什么是要输入异常图进行重构的,这样的话测试时候,异常图重构的好呗,正常图重构的不好呗,是这个意思吗?
理解的:还是符合一般情况的训练阶段将模型训练的符合正常图像的分布,加入带有异常模拟区域的图像是为了数据增强,有更多的训练数据,训练的时候会对训练到的这些异常区域进行限制(文中有提到,使用的遮蔽型的重构损失。)。所以说并不是针对异常图进行训练,本质还是针对正常图进行训练。