Nov, 2021

使用注意力机制的重建学生模型进行学生 - 教师金字塔匹配

PDF
TL;DR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。
anomaly detectionconvolutional neural networkunsupervised learningstudent-teacher feature pyramid matchingattention mechanism
发现论文，激发创造
  • 学生 - 教师特征金字塔匹配用于异常检测

    本研究提出了一种使用学生 - 教师框架的、简单而强大的异常检测方法，该方法实现了对异常的像素级别准确和快速检测，其结果优于现有技术。

    Mar, 2021

  • 用于工业异常检测的非对称师生网络

    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

  • 多类异常检测与定位的结构化师生正态学习

    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

  • 无知学生：基于鉴别性潜变量嵌入的学生 - 教师异常检测

    使用学生 - 老师框架，通过深度学习方法实现无监督异常检测和像素级别的异常分割，并在多个实验数据集上展示了显著的改进效果。

    Nov, 2019

  • 基于分割指导降噪的学生 - 教师网络在异常检测中的应用

    本研究提出了一种名为 DeSTSeg 的改进型模型，它将教师网络、降噪学生编码器 - 解码器和分割网络集成到一个框架中，包括去噪过程和丰富的监督，以实现对视觉异常检测的高效处理，实验结果表明在工业检测基准数据集上取得了最新成果。

    Nov, 2022

  • MixedTeacher：用于快速推理纹理异常检测的知识蒸馏

    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

  • 双学生知识蒸馏网络用于无监督异常检测

    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

  • 多尺度特征模仿用于无监督异常定位

    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

  • 推进预训练教师：朝着异常检测的稳健特征差异

    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

  • 金字塔注意力网络用于图像修复

    将金字塔注意力模块用于图像修复能够提高深度卷积神经网络方法的自相似性，从而能够更好地处理在不同尺度上具有类似模式的图像，并可应用于多种图像修复任务中，包括图像去噪、去马赛克、减少压缩伪影和超分辨率。

    Apr, 2020