基于视觉异常检测和无监督类别选择的缺陷定位自编码器在制造业中提高缺陷检测的准确度和可靠性。

Sep, 2023

本研究采用了一种基于 patch 排列上下文学习的自监督学习方法，着重解决了光学畸变、空间倾斜和中等特征忽视等问题，在不同数据集上进行多项自监督测试，结果表明，在 PASCAL VOC 2007 的分类和检测、PASCAL VOC 2012 的分割以及 ImageNet 和 CSAIL Places 数据集上的线性测试中都取得了顶尖成绩，在迁移学习分类测试中，超过基准方法的改进幅度为 4.0 到 7.1 个百分点，同时演示了不同标准网络架构的结果，以证明其推广性和灵活性。

Nov, 2017

该研究旨在构建一个高性能的缺陷检测模型，能够在未有异常数据的情况下检测图像中未知的异常模式。作者提出了一个两阶段框架，使用仅有的正常数据来进行异常检测，第一阶段学习自监督的深度表示，第二阶段建立基于学习表示的生成单类分类器。该方法在 MVTec 异常检测数据集上表现良好，并在学习表示时相较于现有技术提升了 3.1 AUC。作者还通过迁移学习，在 ImageNet 预训练模型基础上实现了 96.6 AUC 的最优表现，并扩展了该框架以从补丁学习和提取表示，无需训练期间标注即可定位损坏区域。

Apr, 2021

本文提出了一种利用自由可得的多模态内容进行无人监督计算机视觉算法训练的方法，通过挖掘大规模的多模态文档语料库中的语义结构进行话题建模，训练卷积神经网络来预测图像最可能出现为插图的语义上下文，有效地学习了区分性视觉特征，其实验结果表明具有比近期的自监督或自然监督方法更好的图像分类、物体检测和多模态检索的性能。

May, 2017

该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

May, 2015

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

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

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

基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast，这是一个创新的自我监督点云预训练框架，用于 3D 物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置，而补丁级别增加了关于物体组件之间内部连接的信息，从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的 3D 检测任务，并证明我们的方法在三个常用的 3D 检测数据集上优于现有的最先进模型。

Aug, 2023

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