Nov, 2023

基于 Attention 模块提升工业检测中的图像级异常检测：DifferNet 案例研究

PDF
TL;DR通过注意力机制和深度神经网络，提出了一种改进的 DifferNet 解决方案：AttentDifferNet，它在三个工业检测数据集中实现了改进的图像级缺陷检测和分类性能，达到了业界最新水平，突出了注意力在工业异常检测中的重要性。
visual industrial inspectiondefect detectiondeep neural networksunsupervised visual inspectionattentiondiffernet
发现论文，激发创造
  • 注意力模块提升现代图像级异常检测：DifferNet 案例研究

    提出一种基于 DifferNet 的解决方案，利用 SENet 和 CBAM 作为骨干网络的注意力模块，通过对三个不同的视觉检测和异常检测数据集（MVTec AD、InsPLAD 故障和半导体晶片）进行改进，提高了检测和分类能力，并通过定量和定性评估显示了改进的结果。

    Jan, 2024

  • Same Same But DifferNet: 带有归一化流的半监督缺陷检测

    本文提出了运用 DifferNet 结合卷积神经网络的特征提取和标准流估计来解决制造过程中产品缺陷检测难的问题，通过最终得分进行缺陷像素位置的精确定位，而且不需要大量训练样本，与目前其他方法相比在 MVTec AD 和 Magnetic Tile Defects 数据集上表现更好。

    Aug, 2020

  • 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

  • DANet：通过高效的变形注意力网络提升小目标检测

    在制造环境中，高效准确地检测小型物体，如缺陷和裂纹，对于确保产品质量和安全至关重要。我们提出了一种综合策略，通过将 Faster R-CNN 与先进的方法结合起来，有效解决了这个问题。我们的模型在 NEU-DET 和 Pascal VOC 数据集上进行了严格评估，验证了其鲁棒的性能和通用性。在 NEU-DET 数据集上，我们的模型表现出对钢铁缺陷的深入理解，在识别各种缺陷方面实现了最先进的准确性。同时，在 Pascal VOC 数据集上评估时，我们的模型展示了在复杂且小型场景中检测各类对象的能力。

    Oct, 2023

  • 基于模式生成对比网络的非监督工业异常检测

    本文提出一种基于 Vision Transformer 的无监督异常检测网络，利用分层任务学习和人类经验来增强其可解释性，可以有效解决高维空间中非线性模型拟合的问题和纹理变化对算法鲁棒性的挑战，并在公开数据集上取得了 99.8% AUC 的表现，优于现有最先进方法。

    Jul, 2022

  • ATAC-Net: 缩放视图在异常检测中效果更好

    ATAC-Net 框架利用深度学习在视觉异常检测中应用，从一小部分已知先验异常样本中进行训练，使用注意力引导裁剪提供对疑似区域的更近距离视图，并在可比较的情况下证实其优越性。

    Jun, 2024

  • 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

  • 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

  • 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

  • 无监督异常定位在工业图像中的应用：一个调研

    本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析，包括各种概念、挑战、分类、基准数据集及量化性能比较，并提供了未来研究方向的预测和分析。

    Jul, 2022