MMMar, 2024

分而治之：通过内存高效瓦片集成进行高分辨率工业异常检测

PDF
TL;DR工业异常检测是计算机视觉中的重要任务，其实际用途广泛。为了解决处理高分辨率图像时出现的内存消耗问题，本文引入了块状集合的方法，在不修改底层架构的情况下，将输入图像划分为网格状瓦片，并为每个位置训练一个专用模型。通过引入重叠瓦片，利用传统的堆叠集合的优势，进一步提高了异常检测能力。实验证明，我们的方法在满足 GPU 内存限制的情况下，在 MVTec 和 VisA 两个标准异常检测数据集上取得了显著的改进。
industrial anomaly detectioncomputer visionmemory consumptiontiled ensemble approachanomaly detection model
发现论文，激发创造
  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 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

  • CSE：使用对比选择嵌入进行表面异常检测

    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。

    Mar, 2024

  • EasyNet: 一个用于 3D 工业异常检测的简易网络

    3D 异常检测是工业制造中的一项新兴和重要的计算机视觉任务。本文提出了一种易于部署的网络（称为 EasyNet），可以在不使用预训练模型和存储器过多的情况下实现准确的异常检测，同时具有高效的推理速度。实验结果表明，EasyNet 在不使用预训练模型和存储器的情况下，实现了 92.6% 的异常检测 AUROC，并且比现有方法更快，Tesla V100 GPU 上的帧率达到了 94.55 FPS。

    Jul, 2023

  • 基于混合融合的多模态工业异常检测

    本文提出了一种基于 3D 点云和 RGB 图像的新型多模式异常检测方法 M3DM，其中采用了无监督特征融合、决策层融合和点特征对齐等技术，实验表明该方法优于现有的同类方法。

    Mar, 2023

  • 多尺度记忆比较在零 / 少样本异常检测中的应用

    提出了一个简单而强大的多尺度记忆对比框架用于零 / 少样本异常检测，在 Visual Anomaly and Novelty Detection (VAND) 竞赛中取得了零样本组第四名和少样本组第二名的显著成果。

    Aug, 2023

  • 动态平铺：一种无模型依赖的、自适应的、可扩展的、以推理数据为中心的高效和准确的小物体检测方法

    Dynamic Tiling 是一种自适应和可扩展的模型无关的方法，可用于小物体检测，通过动态瓦片分割和最小化计算量来提高检测准确性，同时适用于各种操作环境，无需繁琐的重新校准，并通过大小过滤机制提高检测质量，实现了效率和准确性的新突破。

    Sep, 2023

  • 视频异常检测的多尺度空时交互网络

    我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

    Jun, 2023

  • 基于网格的连续正态表示用于异常检测

    本研究提出了一种新的异常检测方法 GRAD，通过将空间特征转换为坐标并映射到连续网格，成功地在 “连续” 特征空间中表示正常特征，并通过融合局部和全局正常特征来有效地处理不同类别的对象，实验证明 GRAD 在多类统一异常检测方面降低了 65.0% 的误差。

    Feb, 2024

  • 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