阅读
参考意义不大,是通过正常图像对比实现的异常分割。
继续下一篇
方法
unsupervised anomaly detection and segmentation using transformers。
使用transformer实现无监督的一场检测和分割。
使用向矢量量化变分自动编码(VQ-VAE)是一个学习图像离散表示的模型。
VQ-VAE讲解
该链接里面包含有VQ-VAE的代码实现
思路
- 训练一个VQ-VAE(该模型通过encoder将输入转换成潜在嵌入空间表示,通过decoder将潜在嵌入空间转换成输出)。
- Transformers,利用了transformer中利用注意力机制获取输入之间的关系,而不关心其距离,transformer中的每一层都采用了自我注意力机制,该机制通过映射一个具有三个向量的中间表示:==查询、键和值向量。==由于注意力机制的输出依赖于序列中所有元素的内积,因此其计算开销随着数据规模的增长而成平方级增长。
- 使用了高效(线性)广义注意框架(efficient (linear) generalized attention framework)论文解读
- 以任意序列将潜在的离散变量转换成随机的一维序列,我们可以训练transformer以一种自回归的方式来最大化训练数据的对数似然性。