决策融合网络与感知微调的缺陷分类

Sep, 2023

决策融合网络与感知微调的缺陷分类

Decision Fusion Network with Perception Fine-tuning for Defect Classification

Xiaoheng Jiang, Shilong Tian, Zhiwen Zhu, Yang Lu, Hao Liu...

TL;DR表面缺陷检测是工业检测中的重要任务，本文提出了一个决策融合网络 (DFNet)，通过融合语义决策和特征决策来增强网络的决策能力，同时引入感知微调模块 (PFM) 来对前景和背景进行微调，并通过一个内外分离权重矩阵来解决标签边缘不确定性的影响，在公开数据集上验证了所提方法的有效性。

Abstract

surface defect inspection is an important task in industrial inspection. Deep learning-based methods have demonstrated promising performance in this domain. Nevertheless, these methods still suffer from misjudgment when encountering challenges such as low-contrast defects and complex b

surface defect inspection deep learning-based methods decision fusion network perception fine-tuning module segmentation supervision

发现论文，激发创造

联合注意力引导特征融合网络用于表面缺陷的显著性检测

面部缺陷检查在工业生产过程中起着重要作用。尽管基于卷积神经网络（CNN）的缺陷检查方法取得了巨大进展，但仍然面临许多挑战，如缺陷尺度变化，复杂背景，低对比度等。为了解决这些问题，我们提出了一个基于编码器 - 解码器网络的联合注意力引导特征融合网络（JAFFNet）来进行表面缺陷的显著性检测。JAFFNet 主要将联合注意力引导特征融合（JAFF）模块并入解码阶段，以自适应地融合低级和高级特征。JAFF 模块学习强调缺陷特征，并在特征融合过程中抑制背景噪声，有益于检测低对比度的缺陷。此外，JAFFNet 在编码器之后引入了一个密集感受野（DRF）模块，用于捕捉具有丰富上下文信息的特征，有助于检测不同尺度的缺陷。JAFF 模块主要利用高级语义特征提供的学习联合通道 - 空间注意力图来引导特征融合。DRF 模块利用一系列多感受野（MRF）单元，每个单元将前面的所有 MRF 特征图和原始输入作为输入。得到的 DRF 特征捕捉了具有大范围感受野的丰富上下文信息。在 SD-saliency-900、磁砖和 DAGM 2007 上进行的大量实验表明，我们的方法在与其他最先进的方法进行比较时取得了有希望的性能。与此同时，我们的方法实现了每秒 66 帧的实时缺陷检测速度。

Feb, 2024

面向边缘智能制造的纹理表面缺陷视觉检测特征记忆重排网络

本文提出了一种新的无监督特征记忆重组网络（FMR-Net）来准确检测各种纹理缺陷，通过提取多尺度特征、对比学习模块（CMFM）、全局特征重排模块（GFRM）来构建正常特征记忆库，采用两阶段的训练策略，使用多模式检测方法来实现缺陷定位，实验证明该方法具有较高的检测精度，适用于边缘计算的智能制造场景。

Jun, 2022

学习具有判别性特征网络的语义分割模型

本文提出了一种新的语义分割方法，通过内部类别的一致性和类别之间的区分度两个方面的挑战，设计了一个包含两个子网络的鉴别特征网络 (DFN)，由平滑网络和边界网络组成。实验结果表明，该方法在 PASCAL VOC 2012 和 Cityscapes 数据集上取得了 86.2% 和 80.3% 的平均 IOU，达到了最先进的性能水平。

Apr, 2018

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

一种新的知识蒸馏网络用于增量式少样本表面缺陷检测

本文针对表面缺陷检测中的数据增量问题，提出了一种基于知识蒸馏和预训练 - 微调迁移学习范式的新型检测网络 DKAN，通过特征和分类知识对齐来解决遗忘和误分类问题，在 NEU-DET 数据集上实验证明其有效性，表现优于其他方法。

Sep, 2022

基于正常参考关注机制和缺陷特征感知网络的表面缺陷检测

本文提出了一种名为 NDP-Net 的无监督重构方法，通过引入多比例判别特征提取模块和基于参考的注意力机制，准确检测各种纹理缺陷并进行多尺度缺陷分割。

Nov, 2022

图像修复的深度融合网络

该论文提出了一种称为深度融合网络（DFNet）的技术，该技术通过引入一个融合块生成灵活的 alpha 合成地图，将深度图像补全与现有内容和谐地融合在一起，同时提供注意地图以使网络更加关注未知像素，从而获得质量更好的图像补全结果。