Mar, 2024

CSE：使用对比选择嵌入进行表面异常检测

PDF
TL;DR本研究提出了一种以目标特定嵌入为核心的新方法，通过引入人工生成的有缺陷样本和无缺陷样本，使用对比训练过程捕捉待考虑纹理的最具代表性特征，并利用表面的内在性质，从无缺陷样本中推导出有意义的表示，从而实现了对异常得分的简单而有效的计算。通过在 MVTEC AD 和 TILDA 数据集上进行的实验，验证了我们的方法与最先进方法的竞争力。
surface anomaliesindustrial materialsnetwork pre-trainedtarget-specific embeddinganomaly scores
发现论文，激发创造
  • 基于三元组网络的工业表面距离异常检测

    本文探讨了如何利用基于距离的异常检测方法训练深度残差三元组网络模型，并通过随机擦除技术合成缺陷样本以直接学习相似度度量，从而提高表面缺陷检测的准确性。实验结果表明，该方法能够检测出不同类型的异常，包括弯曲、破碎或裂纹等。

    Nov, 2020

  • DRAEM— 面部异常检测的鉴别训练重构嵌入

    本文提出了一种基于判别模型的重构异常嵌入模型（DRAEM），用于解决视觉表面异常检测问题，该方法无需手工后处理即可实现异常区域定位。实验结果表明 DRAEM 在 MVTec 异常检测数据集上比当前最先进的无监督方法优异得多，甚至在 DAGM 表面缺陷检测数据集上也可以接近全监督方法的检测性能，并且比全监督方法在定位准确度上表现更好。

    Aug, 2021

  • 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

  • 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

  • ReConPatch：用于工业异常检测的对比补丁表示学习

    本研究提出了一种名为 ReConPatch 的方法，通过训练与预训练模型相关的线性调制来构建判别性特征，采用对比表示学习来以目标为导向地收集和分布特征，实现了无需大量输入增强即可实现强健的异常检测性能。

    May, 2023

  • ToCoAD: 用于工业异常检测的两阶段对比学习

    该研究论文提出了一种名为 ToCoAD 的两阶段训练策略，通过使用合成异常来训练判别网络，在第二阶段中使用该网络提供负面特征引导，通过自举对比学习来训练特征提取器，从而解决了当前无监督异常检测方法在特定异常类型上的困难，提高了对工业数据集中各种异常类型的泛化能力。大量实验表明，该训练策略的效果显著，该模型在 MVTec AD、VisA 和 BTAD 上的像素级 AUROC 分数分别达到 98.21％、98.43％和 97.70％。

    Jul, 2024

  • 多模态工业异常检测通过交叉模态特征映射

    这篇论文探讨了工业多模态异常检测任务，利用点云和 RGB 图像来定位异常。我们介绍了一种新颖且快速的框架，它学习将一个模态中的特征映射到另一个模态的正常样本上。在测试时，通过定位观察到的特征和映射特征之间的不一致性来检测异常。大量实验证明，我们的方法在 MVTec 3D-AD 数据集的标准和少样本设置中实现了最先进的检测和分割性能，同时实现了更快的推理速度和更低的内存占用，优于先前的多模态异常检测方法。此外，我们提出一种层裁剪技术，在性能上略有损失的同时提高了内存和时间效率。

    Dec, 2023

  • 无知学生：基于鉴别性潜变量嵌入的学生 - 教师异常检测

    使用学生 - 老师框架，通过深度学习方法实现无监督异常检测和像素级别的异常分割，并在多个实验数据集上展示了显著的改进效果。

    Nov, 2019

  • 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

  • 自监督上下文学习用于工业缺陷的视觉检测

    本文提出了一种新颖的自监督学习算法，通过解决著名的拼图问题来设计一个优化的编码器，以在工业产品中检测纹理和物体缺陷，实验结果表明我们的方法在广泛使用的 MVTec AD 数据集上达到了 95.8% 和 96.8% 的杰出检测和分割性能，为纹理和物体缺陷建立了最新的基准。

    Nov, 2023