异常检测
文章平均质量分 94
猛男技术控
苦心钻研!
勇于实践!
不负韶华!
展开
-
使用 PatchCore 进行图像异常检测
我们已经介绍了 PatchCore 的关键概念,并将其应用于医学影像数据集。即使数据集非常有限,我们也看到了一些非常有希望的结果。一般来说,如果您有一个用例,其中正常数据很容易获取但异常数据很昂贵(甚至是先验未知的),anomalib 可能是一个值得考虑的好工具。相关代码与数据集下载:欢迎关注公众号:猛男技术控,回复异常检测。原创 2023-02-07 14:50:51 · 11129 阅读 · 13 评论 -
异常检测-缺陷检测-论文精读PaDiM
我们提出了一个新的 Patch 分布建模框架,在单类学习的设置下,PaDiM 同时检测和定位图像中的异常。PaDiM 利用一个预先训练好的卷积神经网络 (CNN) 进行 patch 嵌入,利用多元高斯分布得到正常类的概率表示。它还利用了 CNN 的不同语义级别之间的相关性来更好地定位异常。PaDiM 在 MVTec AD 和 STC 数据集上的异常检测和定位方面优于当前最先进的方法。为了匹配真实世界的视觉工业检查,我们扩展了评估协议,以评估非对齐数据集上异常定位算法的性能。原创 2023-01-11 14:39:22 · 3936 阅读 · 0 评论 -
直观理解--马氏距离
1. 数据指标的单位对距离度量的影响在很多机器学习问题中,样本间的特征都可以用距离去描述,比如说最常见的欧氏距离。对于欧氏距离而言,空间中任意两点Px1x2xpPx1x2xp与Qy1y2ypQy1y2ypdPQx1−y12x2−y22⋯xp−yp2dPQx1−y12x2−y22⋯xp−yp2显然,当固定点QQQ。原创 2023-01-10 09:15:00 · 2079 阅读 · 0 评论 -
FYD-Focus Your Distribution-关注你的分布:异常检测和定位的从粗到细的非对比性学习-FYD
无监督异常检测的本质是学习正态样本的紧凑分布,并在测试中检测异常值。同时,现实世界中的异常现象在高分辨率的图像中通常是细微的,特别是在工业应用中。为此,我们提出了一个新的无监督的异常检测和定位框架。我们的方法旨在通过一个从粗到细的排列过程从正常图像中学习密集和紧凑的分布。粗配准阶段在图像和特征层面上对物体的像素位置进行标准化。然后,精细对齐阶段密集地使图像中所有相应位置的特征的相似性最大化。为了促进只用正常图像的学习,我们为精细对齐阶段提出了一个新的借口任务,即非对比性学习。原创 2023-01-03 11:53:45 · 1791 阅读 · 4 评论 -
对比学习-SimSiam-论文精读&解析
模型坍塌,在siamese中主要是输入数据经过卷积激活后收敛到同一个常数上,导致无论输入什么图像,输出结果都能相同。而He提出的simple Siamese networks在没有采用之前的避免模型坍塌那些方法:实验表明对于损失和结构确实存在坍塌解,但stop-gradient操作在防止坍塌方面起着至关重要的作用。如图为simsiam 的结构,输入是训练集中随机选取的一个图像,使用随机数据增强生成两个图像;左右两个encoder是完全一样的,包含卷积和全连接,将图像进行编码(特征提取);perdictor原创 2022-12-04 15:13:02 · 2020 阅读 · 0 评论 -
图像仿射变换与双线性插值
下面的所有变换假设都是针对一幅图像,即一个三维数组(HWC),这里为简单起见,假设图像都是单通道(C=1)的。若将原图像沿 x和 y方向分别平移δx和δy,即:x′=x+δxy′=x+δyx′=x+δx\\y′=x+δyx′=x+δxy′=x+δy写成矩阵形式如下:假设将图像分别沿 x和 y方向分别缩放 p倍和 q倍,且 p>0,q>0,即:x′=pxy′=qyx′=px\\y′=qyx′=pxy′=qy写成矩阵形式如下: 图 1. 旋转变换示意图如上图所示,点 A旋转θ角到点 B,由 B点可原创 2022-12-04 15:00:41 · 572 阅读 · 0 评论 -
空间变形网络——STN
CNN 的机理使得 CNN 在处理图像时可以做到 transition invariant,却没法做到 scaling invariant 和 rotation invariant。即使是现在火热的 transformer 搭建的图像模型 (swin transformer, vision transformer),也没办法做到这两点。(注:spatial transformer和这两个transformer原理不一样,虽然都叫transformer)因为他们在处理时都会参考图像中物体的相对大小和位置方向。原创 2022-12-04 14:58:10 · 6195 阅读 · 0 评论 -
孪生神经网络
孪生神经网络(Siamese network)主要用途是比较两图片的相似程度,其核心思想就是权值共享。卷积神将网络是通过卷积运算提取图像的特征进行训练的,如果想比较两个图像的相似程度,也要对两个图像分别进行特征提取,只判断特征的相似度就可以了。然而不同的卷积核运算后得到的特征很有可能不在一个域中,所以要使用同一个网络进行特征提取。孪生神经网络的优点:对于类别不平衡问题鲁棒性更强,更易于做集成学习,可以从语义相似性上学习来估测两个输入的距离。孪生神经网络的缺点,由于有两个输入,两个子网,其训练相对于常规网络运原创 2022-12-04 14:55:33 · 2606 阅读 · 0 评论 -
异常检测 RegAD-Registration based Few-Shot Anomaly Detection 论文学习
异常检测、缺陷检测、RegAD论文解读原创 2022-12-04 14:52:00 · 3250 阅读 · 5 评论