SegAD源码分析 | Supervised Anomaly Detection for Complex Industrial Images

Supervised Anomaly Detection for Complex Industrial Images

Summary

• 提出了一个新的数据集VAD，训练集包含正常图片和缺陷图片。包含逻辑缺陷，其由于部件放错位置或变形而不是损坏造成的。

• 提出了segAD，下面三个操作后获取概率，判断图像是否有异常缺陷

Method(s)

SegAD

SegAD 推理由管道中的三个连续阶段组成。

1. 首先是计算异常图，使用一种或多种异常检测器来生成像素级别的异常图。这些异常检测器可以是任何能够生成异常分数的模型，例如PatchCore、FastFlow、RD4AD或EfficientAD。以及一些监督异常检测器（如DevNet和DRA）
2. 接下来是从各个分段的异常图中计算简单统计量。
3. 最后，将获得的统计量以及（可选的）分类器得分用作 BRF 分类器的输入特征，BRF 分类器将提供最终结果。

• 将 x 表示为 2D 像素坐标向量

• 将K表示为所使用的像素级异常检测器的数量，并将它们标记为函数 f k ( I ) : I → R W , H , k ∈ { 1 , … , K } f_k(I):I\rightarrow\mathbb{R}^{W,H},k\in\{1,\ldots,K\} fk​(I):I→RW,H,k∈{ 1,…,K}

• 有监督分类器是一个函数$g(I):{\mathbb{R}}^{W,H}\to \mathbb{R}.$，

• 引入一组 L 互斥段 S = { s 1 , … , s L } S=\{s_1,\dots,s_L\} S={ s1​,…,sL​}，其中 s l ∈ [ 0 , 1 ] W , H s_l\in\begin{bmatrix}0,1\end{bmatrix}^{W,H} sl​∈[