Dec, 2023

通过子网络的创建和选择进行表面缺陷分割的持续学习

PDF
TL;DR我们介绍了一种新的持续学习算法 LDA-CP＆S，它可以在进行分割任务时避免灾难性遗忘。该方法应用于两种不同的表面缺陷分割问题，可以增量学习，并且能够预测先前观察到的每种缺陷。我们的方法通过迭代剪枝为每种缺陷类型创建与缺陷相关的子网络，并基于线性判别分析（LDA）训练分类器。在推理阶段，我们首先使用 LDA 预测缺陷类型，然后使用选定的子网络预测表面缺陷。我们将我们的方法与其他持续学习方法进行比较，结果显示在两个数据集上，与现有方法相比，平均交并比提高了两倍。重要的是，我们的方法在同时观察到所有训练数据（所有缺陷）时，显示出与联合训练类似的结果。
发现论文，激发创造
  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019

  • 持续剪枝和选择：以专业子网络进行增量式分类学习

    研究人类大脑能够通过 Continual-Prune-and-Select (CP&S) 的 subnetwork 选择策略，在不产生灾难性遗忘并能跨 subnetworks 传递知识的情况下，使 DNN 顺序学习十项任务且准确率在 94% 以上，是一项在类增量学习方面的优异结果。

    Aug, 2022

  • 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

  • 稀疏解耦潜在表示的斥力吸引驱动下的不断语义分割

    本文提出了一种新的持续学习方案，该方案通过神经网络的原型匹配、特征稀疏化和对比学习等三个新组件来纠正模型在学习新任务时遗忘旧任务的问题，在语义分割上进行了测试并在 Pascal VOC2012 和 ADE20K 数据集上取得了显著的准确性，远超过现有技术。

    Mar, 2021

  • 基于二维正弦图的计算机断层成像中的缺陷定位方法

    该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用 U-Net 架构进行缺陷分割，在模拟数据上达到 92.02％的 IoU，并在 512 像素宽的探测器上实现了 1.3 像素的平均位置误差。

    Jan, 2024

  • 稀疏数据下基于类别增量和粗细策略的 LiDAR 语义分割的持续学习

    本文探究了点云语义分割中类增量学习的问题，比较了不同的连续学习策略和先进的架构，并且在 SemanticKITTI 数据集上获得了与现有方法相当的效果。

    Apr, 2023

  • SEMI-CenterNet: 半导体缺陷检查的机器学习促进方法

    本研究提出了基于深度学习的半导体缺陷检测方法 SEMI-CenterNet，在 SEM 图像中实现了缺陷的高效定位和分类，并显著改善了推断时间。通过在两个数据集上训练和使用自定义 SEM 数据集的迁移学习，减少了传统训练方法所需的训练时间，获得了最佳的平均精确度。

    Aug, 2023

  • 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

  • 决策融合网络与感知微调的缺陷分类

    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。

    Sep, 2023

  • 通过自监督对比学习利用无标签数据进行三维医学图像分割

    我们提出了一种使用两个不同子网络来探索和利用它们之间差异的方法，最终纠正错误的预测结果，通过有针对性的验证训练过程识别不一致预测的区域并进行微调，从而提高上下文信息的利用；此外，为了自适应地调整网络的表示能力并降低预测不确定性，我们采用了自监督对比学习范式，利用网络的置信度区分可靠和不可靠的预测，并训练模型有效地最小化不可靠的预测；我们的实验结果来自于临床 MRI 和 CT 扫描的器官分割，与最先进的方法相比，证明了我们方法的有效性。

    Nov, 2023