1、 CutPaste异常检测框架 (a) CNN通过 CutPaste这一过程将正常数据图和增强数据分布区分开。增强图从正常图中切割出一个小的矩形区域并将其粘贴在随机位置。 (b) 图像级表示异常检测做出整体决策,并用于通过 GradCAM 神经网络输出进行可视化定位缺陷。Patch级别表示从局部patches中提取密集特征以生成异常分数图,
CutPaste 仅是一个数据增强方法,从图像中裁剪出一块矩形区域粘贴到任意位置,见名知意。 结合自监督学习,模型训练的目标函数如下: LCP=Ex∈X{CE(g(x),0)+CE(g(CP(x)),1)} 包括正常样本误差和生成的异常样本误差,其中X表示正常样本集合,CP(x)表示数据增强的样本,g(⋅)表示二分类器,CE(⋅)表示交叉...
我们展示这个CutPaste数据增强的过程在黄色的框内,更多的例子在Figure2(e).遵循旋转预测的思想,我们将提出自监督表示学习训练检测定义如下 where X is the set of normal data, CP(·) is a CutPaste augmentation and g is a binary classifier parameterized by deep networks. CE(·, ·) refers to a cro...
CutPaste 技术主要是通过图片剪切然后再粘贴至其它位置来构造负样本。 1、 CutPaste异常检测框架 (a) CNN通过 CutPaste这一过程将正常数据图和增强数据分布区分开。增强图从正常图中切割出一个小的矩形区域并将其粘贴在随机位置。 (b) 图像级表示异常检测做出整体决策,并用于通过 GradCAM 神经网络输出进行可视化...
在这一章节,针对局部区域存在缺陷的高分辨图片, 我们提出了缺陷检测的框架。根据54,我们采用两步框架构造一个异常检测器,第一步我们学习深度特征从一个正常数据中,然后使用学到的表征来构造一个单类型的分类器。随后,在2.1节,我们提出一个新的方法通过预测cutPaste增强来学习自监督的表征,扩展到Section2.4, 从局部...