Jul, 2023

图像异常检测的情境关联蒸馏

PDF
TL;DR基于先前知识蒸馏方法，本文提出使用两个学生（局部和全局）更好地模仿教师的行为，局部学生主要关注结构异常检测，而全局学生则关注逻辑异常，并通过设计全局上下文压缩块（GCCB）和提出上下文相似度损失来进一步鼓励全局学生学习以捕捉长距离依赖关系，实验结果表明该方法在 MVTec LOCO AD 数据集上达到了最新的性能水平，且无需繁琐的训练技巧。
unsupervised industrial anomaly detectionlocal structural anomalieslogical anomaliesprevious knowledge distillation worksglobal context condensing block
发现论文，激发创造
  • 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

  • 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

  • 多分辨率知识蒸馏用于异常检测

    本研究旨在通过将专家网络的特征进行 “蒸馏” 以学习无监督表示，并使用这些特征检测和定位异常区域，证明了结合多个中间提示的蒸馏方法能够更好地利用专家网络的知识，并显著提高在多个数据集上进行异常检测和定位的性能。

    Nov, 2020

  • 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

  • 全局知识蒸馏的深度图层异常检测

    介绍了一种新的基于深度学习的图异常检测方法，该方法使用 GNN 来预测具有随机初始化网络权重的另一个 GNN，可以有效检测局部和全局异常的真实世界图数据集。

    Dec, 2021

  • 通过单类嵌入的反向蒸馏进行异常检测

    提出了一种基于知识蒸馏的教师 - 学生（T-S）模型，利用反向蒸馏范式和可训练的单类瓶颈嵌入（OCBE）模块，从高级别到低级别的特征逐渐地传递知识，在 AD 和单类新颖性检测基准测试中实现了卓越的性能，提高了对异常检测和单类分类的准确性。

    Jan, 2022

  • 图像中的注意力导向异常定位

    使用卷积对抗变分自编码器与引导注意力和注意力扩张损失的方法，可在无监督和弱监督低异常样本下精确定位异常区域，结果表明 CAVGA 在几个测试数据集上优于目前最先进的异常检测方法。

    Nov, 2019

  • GLAD: 全局和局部自适应扩散模型以实现更好的无监督异常检测

    通过引入合成异常样本和空间自适应特征融合方案，本文提出了一种全局和局部自适应扩散模型（GLAD）用于无监督异常检测，增加了灵活性并实现了无异常的重构，同时保留了尽可能多的正常信息。

    Jun, 2024

  • 检测器的焦点和全局知识蒸馏

    该论文提出前景和全局蒸馏技术（FGD），将知识蒸馏方法成功地应用于目标检测任务，通过前景蒸馏和全局蒸馏对学生网络进行训练，实现了对教师网络的知识迁移，取得了显著的 mAP 改进。

    Nov, 2021

  • 基于蒸馏的织物异常检测

    我们提出了一种以知识蒸馏为基础的方法，专门针对与织物相似的纹理的无监督异常检测挑战。我们的方法旨在重新定义最近引入的反向蒸馏方法，通过编码器 - 解码器设计来减轻分类器偏差并防止学生重构异常。我们通过在多个纹理数据集（包括 MVTEC AD，AITEX 和 TILDA）进行一系列实验，并在纺织品制造设施获取的数据集上进行实验来展示我们方法在性能和推理速度方面的能力，本文的主要贡献是：一种利用反向知识蒸馏技术的鲁棒纹理异常检测器，适用于异常检测和领域泛化，以及一个包含各种织物和缺陷的新数据集。

    Jan, 2024