学生 - 教师特征金字塔匹配用于异常检测
提出了一种基于 STPM 的强大方法,该方法由两个学生和两个教师组成,一个学生 - 教师网络用于匹配特征金字塔,另一个学生 - 教师网络用于重构正常产品的特征,采用注意机制和不同的教师网络来提高异常检测的准确性。
Nov, 2021
本文提出了一种基于教师 - 学生特征模仿网络的多尺度处理策略,采用了基于梯度下降优化的网络模块重要性搜索方法,可以有效地解决无监督异常定位任务的挑战,并在实际工业产品检测数据集上比同期的特征建模异常定位方法具有更好的性能。
Dec, 2022
本文提出了一个名为 AAND 的简单而有效的两阶段工业异常检测框架,通过连续进行异常放大和正常性蒸馏来获得强大的特征差异。通过引入合成异常和反向蒸馏范式,该方法在 MvTecAD、VisA 和 MvTec3D-RGB 数据集上取得了最先进的性能。
May, 2024
本研究提出了一种称为 Transformaly 的方法,利用预先训练的网络(ViT)提取特征向量,并使用教师 - 学生训练方法将训练数据中的正常样本提供给学生网络进行训练,从而在异常检测方面实现了超越最新技术的结果。
Dec, 2021
该研究提出了一种解决 AD 领域师生方法存在的问题的新方法 —— 不对称师生网络(AST),通过使用归一化流密度评估作为教师和传统前馈网络作为学生,以检测工业缺陷,并取得了关于图像级异常检测的最新成果。
Oct, 2022
本文提出了一种基于知识蒸馏的新方法,在正常样本上训练一个网络(学生),同时考虑预训练网络的输出(教师),并结合两位教师提出了新的学生 - 教师体系结构,用于联合增强异常检测和其定位精度。提出的纹理异常检测器能够检测任何纹理中的缺陷,并具有比 SOTA 方法更快的推理时间。
Jun, 2023
由于数据不平衡和缺陷的多样性,学生 - 教师网络(S-T)在无监督异常检测中备受青睐,它通过知识蒸馏过程中从特征表示中探索差异来识别异常。文章通过构建新颖的双学生知识蒸馏(DSKD)架构来解决原生 S-T 网络不稳定的问题,该架构的关键在于使用两个具有相同尺度但结构相反的学生网络和一个单一预训练的教师网络。通过两种策略,即金字塔匹配模式和深度特征嵌入模块,以捕捉异常线索的高维语义信息,该架构可以增强蒸馏效果、改善正常数据的一致性识别,并同时引入多样性来表示异常,最终通过像素级异常分割图和样本判定的异常得分,实现了对三个基准数据集的评估和对内部模块的消融实验,结果显示 DSKD 在小型模型(如 ResNet18)上实现了卓越的性能,并有效改进了原生 S-T 网络。
Feb, 2024
提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法,该方法将学生 - 教师异常检测框架适应到三维领域,并利用一种自监督预训练策略构建具有表达能力的教师网络,实现局部几何描述符的提取,实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。
Feb, 2022
结构化师生正常性学习 (SNL) 是一种新的方法,用于解决之前教师 - 学生模型在多类异常检测中存在的重大性能下降问题,并在 MVTecAD 和 VisA 的多类异常检测和定位任务中显著优于现有的基于蒸馏的算法和统一模型。
Feb, 2024