PathCore：IAD文献解读

最新推荐文章于 2024-05-26 23:45:04 发布

狂奔的菜鸡

最新推荐文章于 2024-05-26 23:45:04 发布

阅读量770

点赞数

文章标签：深度学习计算机视觉人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_43786241/article/details/130101362

版权

论文链接：[Towards Total Recall in Industrial Anomaly Detection]Towards Total Recall in Industrial Anomaly Detection

${X^{T}}$ ：数据集， $x\epsilon X^{T}$ $y\epsilon \left \{ 0 , 1\right \}$ ：标签

$\Phi _{ij} = \Phi _{j} x(i)$ : $\Phi$ 在ImageNet上预训练后的网络第 $i$ 张图网络中第 $j$ 层

1. Locally aware patchcore features的生成

取model（如：wide_resnet50_2）相邻两层的输出特征:features1:32 x 512 x 28x 28 features2:32 x 1024 x 14 x 14

进行embedding—concat操作：

再进行reshape: 32x 1536 x 28 x 28 reshape成 25088 x 1536 原始memory: $M$

2. Memory的精简

若采用子样本，则patchcore memory无法覆盖所有normal features
文种采用一种核心子集机制（保持性能，减少推理时间

文中用Johson-Lindenstrauss进行降维后得到 $M_{c}$

3. 异常检测试

通过上述计算获取test集的memory: $m^{^{test}}$

$m\epsilon M$

先计算：

再得到图像级异常分数矩阵：

狂奔的菜鸡

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
打赏
1
评论
PathCore：IAD文献解读

取model（如：wide_resnet50_2）相邻两层的输出特征:features1:32 x 512 x 28x 28 features2:32 x 1024 x 14 x 14。论文链接：[Towards Total Recall in Industrial Anomaly Detection]文中用Johson-Lindenstrauss进行降维后得到。在ImageNet上预训练后的网络第。
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

狂奔的菜鸡 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。