CVPRApr, 2021

CutPaste: 无监督学习用于异常检测和定位

PDF
TL;DR该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。
defect detectionanomalous patternsself-supervised deep representationsone-class classifiermvtec anomaly detection dataset
发现论文，激发创造
  • 基于深度学习的图像补全进行异常检测

    通过使用一类无监督学习方法，使用深度卷积神经网络进行图像完成，以完成缺件区域的图像，并使用像素重建误差进行异常检测的方法，有效用于检测表面装饰塑料零件的显著异常，并且此方法优于其他测试方法。

    Nov, 2018

  • 通过剪切和粘贴学习分割

    本文提出了一种基于弱监督学习框架的对象实例分割方法，使用对抗训练的方法学习对象掩模，利用剪切 - 粘贴的游戏过程，通过掩模生成器和区分器的协同作用来实现分割掩模的优化，实验结果表明，该方法在不需要手工标注分割建议的情况下，可以超越现有的弱监督分割方法，并获得了 90% 的监督分割性能。

    Mar, 2018

  • 简单的复制粘贴是一种强大的实例分割数据增强方法

    本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型，研究了一种使用数据增强方法的 Copy-Paste 方法，并发现简单的随机粘贴对象机制足以提供良好的性能，并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中，该方法均获得了优异的表现。

    Dec, 2020

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023

  • 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法

    我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。

    Jun, 2024

  • 用于图像异常定位的掩蔽变形器

    基于 Vision Transformer 架构和 Patch 掩蔽技术的图像异常检测方法，将输入图像分成多个分辨率的 Patch，在忽略异常信息的同时对周围数据进行重建，相较传统方法性能更好，MVTec 和 head CT 等数据集上实现了良好的结果。

    Oct, 2022

  • 多层次显著性引导的自监督学习在图像异常检测中的应用

    本研究提出了一种利用显著性引导来增强语义线索进行图像数据异常检测的方法，并通过交换像素对的位置生成逼真的负样本，以提供高质量特征学习的性能。

    Nov, 2023

  • 工业异常检测中的全面回顾

    本文提出了一种名为 PatchCore 的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6％的图像级异常检测 AUROC 分数，并在其他两个数据集中取得了竞争性结果。

    Jun, 2021

  • 自监督剪切与粘贴生成对抗网络用于物体分割

    本文提出了一种基于自监督的 Cut-and-Paste GAN 方法，可以在不需要手动注释标记的情况下进行前景对象分割和生成逼真的合成图像，并且采用了 U-Net 判别器，通过伪标签学习语义和结构信息来扩展标准判别器的能力。实验结果表明，该方法显著优于标准基准数据集上的现有方法。

    Jan, 2023

  • 简单剪贴与学习：惊人易用的实例检测综合

    本文提出一种简单的方法，通过数据合成技术来生成大规模、带注释的数据集，从而避免因缺乏原始数据而导致检测模型性能下降的问题，并表明该方法的使用可以提高模型的性能和泛化能力。

    Aug, 2017