厦门网站建设公司,wordpress后台登录不上,阳泉做网站多少钱,平台网络推广基于异常合成的图像异常检测方法
基于异常合成思路实现图像异常检测的方法#xff0c;它们的核心思路是#xff1a;
试图通过合成异常样本穷尽所有可能出现的异常类型#xff0c;从而将无监督的异常检测#xff08;one class classification#xff09;建模为一个全监督…基于异常合成的图像异常检测方法
基于异常合成思路实现图像异常检测的方法它们的核心思路是
试图通过合成异常样本穷尽所有可能出现的异常类型从而将无监督的异常检测one class classification建模为一个全监督的二分类问题。这就要求合成的异常样本数量足够多、质量足够好和真实缺陷分布相同、种类足够全涵盖各种已知的和未知的真实缺陷。【SimpleNet和GLASS都是这个原理CutPaste不一样它只是利用合成异常建立适合异常检测的自监督表征学习任务目的是学习到适合做异常检测的representations】
**根据异常合成的不同层次可以分为图像级和特征级。**图像级指的是在图像水平伪造异常如CutPaste、Perlin NoiseDTD特征级指的是在特征水平伪造异常如在正常特征图上添加高斯噪声来伪造异常。
CutPaste: Self-Supervised Learning for Anomaly Detection and Localization 1.CutPaste数据增强
CutPaste是2021年CVPR的工作属于图像级异常合成。主要提出了一种新的数据增强策略CutPaste它的步骤包括
从正常训练图像中裁出一小块可变大小和纵横比的矩形区域叫做patch(可选)旋转patch或者抖动patch的像素值把上述patch粘贴回原始图像的任意位置
利用这一增强策略可以构造一个自监督表征学习任务训练集为原始训练图像和对应标签0经CutPaste合成的图像和对应标签1训练的损失函数为 通过上述自监督表征学习任务我们可以得到更加适用于图像异常检测任务的representations f。
2.One-Class Classifier(GDE)
接下来论文通过Gaussian density estimator(GDE)构造one-class classifer以计算异常得分GDE的log-density按照如下公式计算 3.定位任务
定位任务提供了两种实现
通过分类GradCAM可解释性算法获得热力图推理时将图像按照一定的步长划分patch各patch分别通过前向传播获得anomaly score map利用Gaussian smoothing将anomaly score传播至各像素即可获得定位结果。 二者的比较 SimpleNet: A Simple Network for Image Anomaly Detection and Localization SimpleNet发表于2023年的CVPR属于特征级异常合成。它包含4个组件
预训练的Feature Extractor用于抽取局部特征浅层的Feature Adapter用于将特征从预训练域迁移到目标域Anomaly Feature Generator通过向正常特征上添加高斯噪声来伪造异常特征二分类的Anomaly Discriminator用于区分正常特征和异常特征
上述设计基于3个直觉
将pre-trained features迁移至target-oriented features有助于缓解域偏移在特征空间合成异常更加有效因为缺陷在图像空间并没有太多的共性简单的discriminator(2层的MLP)足够有效 A Unified Anomaly Synthesis Strategy with Gradient Ascent for Industrial Anomaly Detection and Localization
GLASS是2024年arXiv上的论文包含图像级和特征级的异常合成。其中图像级的异常合成思路是在Perlin NoiseDTD上进行改进特征级的异常合成思路是在SimpleNet上进行改进。
分类器的部分和SimpleNet的Discriminator比较相似都是直接将one-class classification任务建模为全监督分类任务来做。
