使用弱监督学习进行缺陷检测

Mar, 2023

Defect detection using weakly supervised learning

Vasileios Sevetlidis, George Pavlidis, Vasiliki Balaska, Athanasios Psomoulis, Spyridon Mouroutsos...

TL;DR本文论述了弱监督学习技术在缺乏大量标注数据情况下替代传统有监督学习的可行性，并以缺陷检测任务为例，在图像数据集上对弱监督分类器和有监督分类器的准确性、精度和召回率进行对比实验，结果表明弱监督分类器相对于有监督分类器需要更少的标注数据，但其性能表现相当。

Abstract

In many real-world scenarios, obtaining large amounts of labeled data can be a daunting task. weakly supervised learning techniques have gained significant attention in recent years as an alternative to tradition

weakly supervised learning defect detection labeled data classifier performance

发现论文，激发创造

表面缺陷检测的混合监督：从弱监督到全监督学习

本研究提出了一种基于深度学习的表面缺陷检测方法，通过利用不同粒度的注释信息从弱标注到像素级其间不同层面进行标注，实现了注释成本的降低，同时取得了在工业质量检验几个数据集上的最优结果。

Apr, 2021

弱监督学习的批判性观察：远不及你所想的强

本文研究弱监督学习中复杂的训练方法，发现成功的关键在于干净的验证数据，即使只用五个样本的干净数据，已有方法的优势也会被削弱，因此提出了进一步研究方向建议。

May, 2023

基于少量数据学习的表面缺陷检测人机知识混合增强方法

本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

Apr, 2023

弱监督学习的约束标注

本文提出了一种基于约束空间的弱监督学习方法，将不同的弱监督信号结合起来进行训练，在文本分类和图像分类任务中优于其他方法。

Sep, 2020

弱监督训练子集选择

本篇论文研究了弱监督机器学习方法，提出了利用预训练数据表示结合剪枝统计学方法选择高质量弱标签数据的子集，优化了弱监督模型的表现，提升了 19% 的准确率。

Jun, 2022

AutoWS: 文本分类自动化弱监督框架

提出了 AutoWS 框架用于增加弱监督过程的效率，减少对领域专家的依赖性，使用少量标记的实例和自动创建标注函数的方法来指定嘈杂标签，然后通过一个下游歧别分类器将其聚合成概率标签。

Feb, 2023

标签高效的视觉错误检测的弱监督方法

利用无标签游戏过程和领域特定增强方法生成预训练或多任务设置中使用的自我监督目标数据集，以解决传统测试方法在检测视频游戏中潜在错误方面的困难。通过弱监督方法扩大数据集规模，并结合无监督聚类和基于文本和几何提示的交互方法，有效提高了对大型视觉错误的检测能力。

Sep, 2023

小样本弱监督网络安全异常检测

本文提出了一个增强后的少样本弱监督深度学习异常检测框架，结合了数据增强、表示学习和序回归方法，并在三个基准数据集上进行了评估和展示其性能。

Apr, 2023

基于少量标记数据的工业产品表面缺陷检测综述

本文回顾了基于少量标注数据的工业产品表面缺陷检测方法，包括传统的基于图像处理的方法和适用于少量标注数据的基于深度学习的方法。传统的表面缺陷检测方法分为统计方法、光谱方法和模型方法；基于深度学习的方法包括基于数据增强、迁移学习、模型微调、半监督、弱监督和无监督方法。

Mar, 2022

使用多任务弱监督训练复杂模型

文章提出了一种基于多任务弱监督的矩阵补全方法，通过建立弱监督任务之间的相关性解决弱监督准确性低的问题，从而提高模型训练的效果。实验结果表明，与传统的有监督方法相比，该方法能平均提高 20.2% 的准确率。

Oct, 2018