- 1Python实现的一个简洁轻快的后台管理框架.支持拥有多用户组的RBAC管理后台，不用配置各种运行环境_python 后台管理
- 2新闻数据挖掘 Python实现_在数据抓取与挖掘过程中不能够同时获取多家公司新闻并生成数据报告
- 3uniapp开发小程序—picker结合后台数据实现二级联动的选择_uniapp二级联动
- 4随心玩玩（一）易语言 大漠插件 制作脚本从入门到摔门而出（更完）
- 5[Qt的学习日常]--信号和槽
- 6启动Dubbo项目注册Zookeeper时提示zookeeper not connected异常原理解析
- 7mongodb安装教程（图解+链接）
- 8Game Physics Cookbook (Gabor Szauer 著)
- 9Ollama管理本地开源大模型，用Open WebUI访问Ollama接口_ollama下载后怎么访问
- 102023 睿抗机器人开发者大赛CAIP-编程技能赛-高职组（国赛）_rc-v1 另类单位圆
深度学习论文: SimpleNet: A Simple Network for Image Anomaly Detection and Localization及其PyTorch实现
赞
踩
深度学习论文: SimpleNet: A Simple Network for Image Anomaly Detection and Localization及其PyTorch实现
SimpleNet: A Simple Network for Image Anomaly Detection and Localization
PDF: https://arxiv.org/pdf/2303.15140.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks
1 概述
本文提出了一种简单有效的无监督异常检测和定位方法—SimpleNet，SimpleNet由几个简单的神经网络模块组成，易于训练和应用于工业场景。虽然简单，但SimpleNet在MVtec AD基准测试中实现了最高的性能和最快的推理速度。
SimpleNet使用特征适配器在目标数据集上执行迁移学习，以减轻预训练cnn的偏差。SimpleNet提出在特征空间中合成畸变，而不是直接在图像上合成畸变。SimpleNet在推理时遵循单流方式，完全由传统的CNN块构建，便于快速训练，推理和工业应用。
2 SimpleNet
SimpleNet由四个部分组成:
-
(1)生成局部特征的预训练特征提取器；
-
(2)将局部特征转移到目标域的浅特征适配器；特征适配器可以由简单的神经块组成，如全连接层或多层感知器(MLP)。通过实验发现，单层全连接产生了良好的性能。
-
(3)通过向正常特征添加高斯噪声来伪造异常特征的简单异常特征生成器；从下图可以看出，适应特征的每个维度的标准差趋于一致，因此，在区分异常特征和正常特征时，特征空间趋于紧凑。
-
(4)区分异常特征和正常特征的二进制异常鉴别器；使用2层多层感知器(MLP)结构作为普通分类器。
在推理过程中，异常特征生成器将被丢弃。
提出的方法基于三个直觉：
- 首先，将预训练的特征转换为面向目标的特征有助于避免域偏差。
- 其次，在特征空间中生成合成异常更为有效，因为缺陷在图像空间中可能没有太多的共性。
- 第三，简单的鉴别器效率高、实用。
训练过程如下：
3 Experiments
