- 博客(4)
- 收藏
- 关注
RSS订阅原创 CutPaste：Self-Supervised Learning for Anomaly Detection and Localization
之前定义好的方法为旋转，平移，翻转等，还要对比学习，能成功的区分正常值和异常值，但是这些方法大多数是专注于检测语义的异常值，不能检测细粒度的异常缺陷，检测局部缺陷是次优的，而且虽然在学习语义概念的表示效率较高，但是规律性较低（意思就是：虽然可能能学到物体的特征是不受其图像中具体位置变化而变化的，但是难以捕捉其连续性，图像都不是连续的或者重复的）所以本文提出了一种新的增强策略cutpaste。本文的创新点为：设计一种新的代理任务，用于自监督，意思为：设计了一个新的方法cutpaste，来训练单分类模型。
2023-12-13 15:59:08
687
1
原创 图像重建或修复实现异常检测1--DRAEM
训练过程：先将正常图像通过模拟异常生成模块，生成一个有异常的图像Ia，再将异常图像输入重建子网络（AE）中生成重建后的正常图像Ir（损失函数通过lr于原图l构造一个SSIM损失函数来训练参数），然后将Ia和Ir进行concat输入判别子网络（UNet），结合生成的异常生成损失函数进行训练，得到最后生成的异常分割掩码M,最后通过均值滤波器进行平滑，将像素的最大值记为n，得到异常图像的分数。判别子网络类似于U-Net的架构，UNet可以百度，这个子网络的输入Ic为重构子网络的输出lr和输入图像l的连接。
2023-12-08 22:39:09
1548
1
原创 Transformer
transformer可用于Seq2seq中，比如我对机器说一段话，机器能翻译出机器学习四个字，transformer就能有效的实现这个功能，下面详细解释一下transformer模型的结构下图中右边就是为transformer的架构，左边为编码器，右边为解码器以下便是encoder的作用，输入一排向量，输出一排向量，但不止用encoder，通过RNN和self-attention都可以实现，我们首先来看左边的encoder。
2023-12-04 23:07:07
368
原创 自注意力机制
现在多采用左边Dot-product的方式，将两个向量分别乘上不同的矩阵，wq和wk，其中wq和wk是可以学习的，然后变成q和k，q和k再相乘，相当于两个向量做内积，可以得到一个参数a，此时这个参数就可以表示出两个向量的相关性。举个例子，假设两个向量相关性很强，1向量为[0.95,0,0,0.05],2向量为[0.96,0,0,0.04]，那么通过矩阵之后，得到的a必然比其他的大，因为其他的向量可能为[0,0.95,0,0.05],这显然不相关，所以这就能很好的将两个向量的相关性体现出来。
2023-12-04 22:10:23
368
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人