异常检测MRN-DAY2

MRN框架图

MRN和MFA技术概述

MRN有三个头部，分别由输入图像旋转0°，90°，180°构成。

MFA的主体由4个部分构成：

A. 异常生成

MRN异常生成的图并不是正常会出现的异常图，而是会生成理论上存在异常，但真实数据集中不会出现的异常图。

目的：

帮助学习在训练数据集中看不到的异常。

有两种创建异常的方法：1. 数据增强方法 2. 离群点暴露。

我们选择基于数据增强方法中的CutPaste方法：

1. 在样本集中选择一张正常的图片。
2. 从这张图片中剪一个小块。
3. 将剪下来的小块旋转任意角度。
4. 把旋转后小块放回图片的任意其他位置，让小块构成这张原本正常图片中的异常部分。

将剪下来的小块分别旋转0°，90°，180°后放回原图片的任意其他位置分别输入到MRN的三个头部。

B. 多头特征重建

1. 这是一个创新，因为传统的U-net模型用一个头部接收输入的图像。
   而我们的方法，引用三个头部来利用不同旋转角度照片的特征。
2. 很多重建网络通常选择跳过连接的方法来做异常检测。这样浅层的编码特征可以直接传递到解码层。

注释：

跳过连接（Skip Connection）

跳过连接是一种在神经网络中用于加速训练和改善性能的技术。以下是通过一个具体例子来解释“跳过连接”的概念：

多层大楼建设的例子

假设我们正在建造一座多层的大楼，每一层都需要工人来搭建：

• 第一层工人：开始搭建第一层。

• 传统方法：如果没有跳过连接，每一层都必须等待前一层完成。这意味着第一层的工人必须先完成他们的工作，第二层的工人才能开始，依此类推。这个过程可能很慢。

• 跳过连接的应用：

  1. 当第一层的某些部分完成后，我们允许第二层的工人通过一个特殊的电梯（跳过连接）直接使用这些已经完成的部分。
  2. 第二层工人：立即开始在第二层工作，而不需要等待第一层完全完成。
  3. 同时进行：这样，第一层和第二层的工人可以几乎同时工作，提高了效率。

神经网络中的跳过连接

在神经网络中，跳过连接的作用类似于上述例子中的电梯：

• 第一层：网络的第一层接收输入数据并进行初步处理。
• 跳过连接：处理的结果通过一个直接的连接（电梯）传递给更高层。
• 第二层及以后：更高层的网络可以直接使用这些从低层传递过来的信息，与它们自己的处理结果结合，进行更复杂的处理。

图像处理中的应用

例如，在图像处理中：

• 一个卷积层可能会提取图像的边缘信息。
• 通过跳过连接，这些边缘信息可以直接传递到网络的深层。
• 在深层，它们可以与更复杂的特征结合，帮助网络更好地理解图像的整体结构。

这样，网络的训练可以更快，因为它可以同时利用不同层级的有用信息。

浅层的编码特征，解码层：

神经网络中的跳过连接：城堡报告的比喻

想象一下，你正在制作一份非常详细的报告，这份报告描述了一座城堡的每一个细节。

报告的开始部分（浅层）

在报告的开始部分，我们记录了城堡的基础信息：

• 颜色：城堡的外表颜色。
• 形状：城堡的大致轮廓和形状。

这些基础信息相当于神经网络中的“浅层编码特征”，它们捕捉了输入数据的基本属性，但还没有深入到更复杂的细节。

报告的深入（深层）

随着报告的深入，我们开始描述：

• 内部结构：城堡的房间布局和结构。
• 装饰细节：城堡内部的装饰和艺术品。

这相当于神经网络中的“解码层”，它们负责重建或解释输入数据的复杂结构。解码层通常位于网络的后半部分，使用前面层提取的信息来生成输出，比如重建一张图片或者识别图片中的物体。

跳过连接的应用

如果我们使用“跳过连接”，就可以把报告开始部分记录的基础信息（浅层编码特征）直接用在报告的最后部分（解码层）：

• 好处：即使在处理复杂细节的时候，也不会丢失最初的那些重要信息。
• 神经网络中的体现：在重建图像或者进行高级特征识别时，网络仍然可以利用最初的简单特征，从而提高整体的性能。

用特别通俗的话说就是：

• 浅层编码特征：就像你第一次看到一张图片时，你注意到的颜色和形状等基本信息。
• 解码层：就像你在仔细研究这张图片，试图理解图片中的复杂场景和细节的过程。
• 跳过连接：就像你在研究细节时，仍然记得你最初看到的那些基本信息，这样你就可以更全面地理解整张图片。