赞
踩
作者:Jihun Yi[0000−0001−5762−6643] and Sungroh Yoon
出自:ACCV 2020
Introduction:
单类支持向量机(OC-SVM)
支持向量数据描述(SVDD)是一种用于异常检测的长期算法,我们使用自监督学习将其深度学习变体扩展到基于补丁的方法。SVDD在内核空间中搜索包含数据的超球。
本文将Deep SVDD扩展为一种分片检测方法,提出了Patch SVDD。该方法实现了异常分割,提高了异常检测性能。
Background:
2.1 异常检测和分割
训练评分函数Aθ,在测试时,具有高Aθ(x)值的输入被视为异常。用于评估评分函数的事
实上的标准度量是受试者工作特征曲线下的面积(AUROC)。
方法:
3.1 Patch-wise Deep SVDD
该编码器将整个训练数据映射到位于特征空间中的小超球内的特征。损失函数为:(没有偏置项)训练补丁编码器fθ
作者将这种方法扩展到了图2所示,编码器编码每个拼贴元,而不是整个图像。因此,对每个块执行检查。逐块检测有几个优点。第一,在每贴片;如个位置都可以得到检测结果,因此我们可以定位缺陷的位置。其次,这种细粒度检查提高了整体检测性能。
3.2 自监督学习
通过以下损失函数添加自监督学习信号:
3.3分层编码
将一个输入面片p划分为2 × 2的网格,将它们的特征聚合起来构成p的特征,如图5所示。具有感受野大小K的每个编码器用贴片大小K的自监督任务来训练。在整个实验中,大编码器和小编码器的感受野大小分别设置为64和32。
3.4 生成异常图
异常分割图的计算:(逐像素相乘)
实验:
数据集:MVTECAD,
实验结果:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。