概述:弱标记+少量注释样本的混合监督 即可达到与完全监督相当的性能
提出了一种用于异常检测的深度学习模型,该模型在图像级标签的弱监督下进行训练,同时在像素级标签可用时利用完全监督。
方法:通过改变所需标签的数量和细节,提供了在标注成本和分类性能之间最合适的折衷的方案。混合监督是通过实现具有两个子网络的端到端架构来实现的,这两个子网络利用第一子网络中的像素级注释和第二子网络中的图像级注释来同时训练。虽然在训练期间可以利用像素级标签来进一步提高所提出的方法的性能,但是该方法的主要目标不是分割缺陷,而是识别包含缺陷表面的图像。此外,还考虑了基于区域的粗略标注中的空间不确定性,以进一步降低标注成本
实验:DAGM、KolektorSDD和Severstal Steel数据集上进行评估
贡献:构建新数据集KolektorSDD2。它基于一个实际的、真实的例子,由3000多幅图像组成,无监督的、弱监督的、混合监督的、完全监督的标记工作,包含几种不同难度的缺陷类型。图像经过仔细注释,以便于对表面缺陷检测方法进行准确的基准测试。
混合监督的异常检测
论文:https://arxiv.org/pdf/2104.06064v3.pdf
代码:https://github.com/vicoslab/mixed-segdec-net-comind2021
数据集:https://www.vicos.si/Downloads/KolektorSDD2