文章名 A Multi-Head Reconstruction Network For Image Anomaly Detection Reconstruction from edge image combined with color and gradient difference for industrial surface anomaly detection DRÆM – A discriminatively trained reconstruction embedding for surface anomaly detection
发布日期 2023 2022-10-26 2021-8-17
收录期刊 IEEE会议论文
传统方法 传统的重建方法
1.训练自动编码器或生成模型来重建正常样本的图像。
2.通过比较原始图像和重建图像来检测异常。
3.使用像素级的距离度量（如L2距离或结构相似性SSIM）来评估重建误差。		 传统的重建方法 传统重建方法
针对存在问题的创新点 解决的问题：
传统重建方法无法识别输入中的潜在异常特征

创新点：MRN的不同头接收不同角度旋转的输入图像并重建这些图像

作用：
增加输入特征并利用添加特征之间的差异来增强模型检测异常的能力 		 解决的问题：
 传统重建方法难以控制模型泛化能力的边界

创新点：
 提出从灰度边缘重建RGB图像的方法。通过UNet型去噪自编码器和跳跃连接来重建图像。
去噪设计可以防止模型直接复制原始的高频组件。

作用：
这样可以保留原始图像中的高频信息，并迫使网络记忆正常区域的低频和颜色信息。		 解决的问题：
 传统方法在检测与正常样本外观差异小的异常时的困难
通过联合学习和直接异常定位，提高了异常检测的准确性和效率。

创新点：
1. 在重建子网络上加入判别子网络，进行端到端训练
2. 判别子网络学习重建图像和原始图像之间的差异，以及正常与异常样本之间的决策边界。
3. 不仅重建图像，还学习异常图像和其无异常重建的联合表示。
4. 直接输出异常定位图
解决的问题：
以往的注意力机制关注像素级、通道级或块级特征，这些可能无法充分利用图像的整体信息来检测异常。

创新点：
MFA模块通过在不同角度重建的图像特征之间进行投影和整合，关注图像级特征

作用：
更有效地提取和整合图像特征。		 解决的问题：
 直接使用像素级的L2距离比较可能会在重建过程中造成正常区域的退化，导致误报

创新点：
 提出结合颜色和梯度差异的异常评估函数。
 颜色评估函数在CIELAB颜色空间中评估颜色差异，而结构差异评估则利用多尺度梯度幅度相似性（MSGMS）

作用：
 有效检测颜色异常，并且对光照变化不敏感 
# 数据结构 # 算法 # opencv # 数据挖掘 # 语音识别
Logo
魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

cover

【计算机视觉】Pixel逐像素分类&Mask掩码分类理解摘要

avatar 魔乐社区

计算机视觉（opencv）实战三十二——CascadeClassifier 人脸微笑检测（摄像头）

本文从原理到实现，详细介绍了基于 OpenCV Haar 分类器的人脸与微笑检测：讲解了 Haar 特征和级联检测原理。对代码逐行拆解并解释参数含义。画出完整流程图，帮助理解执行过程。给出了常见问题和优化建议，甚至扩展到深度学习方法。这种方法简单、轻量、实时性好，非常适合入门和小型应用项目。但如果需要更高准确率和更强鲁棒性，建议使用深度学习检测器替代 Haar 分类器。

avatar 魔乐社区
cover

小杰机器学习（seven）——贝叶斯分类

avatar 魔乐社区