Feb, 2024

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

PDF
TL;DR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。
surface defect inspectionconvolutional neural networkattention-guided feature fusion networksaliency detectiondefect scale variation
发现论文，激发创造
  • 全局上下文聚合网络用于轻量级表面缺陷显著性检测

    表面缺陷检测是一个具有挑战性的任务，传统高精度的缺陷检测方法通常需要昂贵的计算和存储成本。因此，本文提出了一种基于编码 - 解码结构的全局上下文聚合网络 (GCANet) 来实现轻量级表面缺陷的显著性检测。GCANet 在轻量级骨干网络的顶部引入了一个新颖的 Transformer 编码器，并通过一种新颖的深度自注意 (DSA) 模块捕获全局上下文信息。此外，本文还引入了一种新颖的通道参考注意 (CRA) 模块，用于在解码器块之前加强来自不同层级的多级特征的表示。实验结果表明，与其他 17 种最先进方法相比，GCANet 在准确性和运行效率之间取得了更好的平衡，在三个公开的缺陷数据集上取得了竞争性的结果。

    Sep, 2023

  • 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

  • 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

  • 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

  • 基于显著性增强特征融合的多尺度 RGB-D 显著目标检测网络

    本文针对 RGB-D 显著性检测问题，提出了一种定制化的特征融合模块 SEFF，通过利用邻近尺度的显著性图来增强融合所需的特征，得到更具代表性的融合特征。我们的多尺度 RGB-D 显著性检测器使用 SEFF 处理三个不同尺度的图像，并将 RGB 和深度图像的特征以及不同尺度解码器的特征进行融合。在五个基准数据集上进行的大量实验证明了我们方法在显著性检测上的优越性。

    Jan, 2024

  • 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

  • SalFAU-Net：显著性融合关注 U-Net 用于显著目标检测

    我们提出了一种名为 Saliency Fusion Attention U-Net (SalFAU-Net) 的模型，它在每个注意力 U-net 模型的解码器块中合并了一个显著性融合模块，从而可以准确地检测具有多个对象、小物体或低分辨率对象的具有挑战性场景的显著对象。我们通过使用二值交叉熵损失函数在 DUTS 数据集上训练 SalFAU-Net，并在六个流行的 SOD 评估数据集上进行实验以评估所提方法的有效性。实验结果表明，我们的方法在平均绝对误差（MAE）、F - 值、s - 值和 e - 值方面与其他方法相比具有竞争性的性能。

    May, 2024

  • 使用特征融合的双注意力 U-Net：拓展多类缺陷分割的边界

    提出的架构 Dual Attentive U-Net with Feature Infusion (DAU-FI Net) 在语义分割方面解决了多类别不平衡数据集和有限样本的挑战，通过集成多尺度空间 - 通道注意力机制和特征注入来增强目标定位精度。该架构通过使用 Gabor 滤波器进行纹理分析、Sobel 和 Canny 滤波器进行边缘检测的方式来扩展特征空间，提供了语义分割的鲁棒解决方案，对于有限的训练数据的多类问题具有推进意义。

    Dec, 2023

  • Siamese 网络在 RGB-D 显著性目标检测与更多应用方面的应用

    通过 Siamese 架构的 RGB-D 联合学习和密集协同融合 (JL-DCF) 架构，本文提出了两个有效的组件：联合学习和密集的协同融合。综合实验表明，该方案在七个具有挑战性的数据集上将平均 F 值提高了～2.0%，并且在相关的多模态检测任务中也取得了相当甚至更好的性能。

    Aug, 2020

  • JL-DCF: RGB-D 显著性目标检测的联合学习和稠密协同融合框架

    本文提出了一种新颖的联合学习和密集协作融合（JL-DCF）架构，用于 RGB-D 显着对象检测。通过 Siamese 网络，JL-DCF 从 RGB 和深度输入中学习，提供了稳健的显着特征学习和互补特征发现。在四个流行计量标准上全面实验表明，该框架具有良好的普适性和鲁棒性，并提供了实际应用的潜在解决方案。

    Apr, 2020