admin管理员组文章数量:1650768
Student-Teacher Feature Pyramid Matching for Anomaly Detection
文章目录
- Student-Teacher Feature Pyramid Matching for Anomaly Detection
- 介绍
- 整体框架
- 训练过程
- 测试过程
- 结果分析
介绍
一个再普通不过的教师-学生网络,主要用于缺陷检测。teacher net和student net均使用resnet18作为框架,在框架中集成多尺度特征匹配策略,使学生网络能在更好的监督下从feature pyramid中接收多层次知识的融合,从而允许检测各种大小的异常。以两个网络生成的feature pyramid间的差异作为评分函数,指示某个像素处异常发生的概率,实现了精准、快速的像素级异常检测。
论文地址:https://arxiv/pdf/2103.04257.pdf
整体框架
具体而言就是将resnet18的conv2_x(layer1)、conv3_x(layer2)、conv4_x(layer3)几层输出的feature maps抽出,使student net的这三层feature maps与teacher net的这三层的feature maps尽可能接近。
训练过程
以下主要介绍其损失函数:
首先分别对teacher和student进行L2范数标准化,然后计算L2损失函数:
之后在图像上进行平均:
再然后对于一张图片的输入,将其所有layer上的损失进行求和:
最后batch中的所有图片的loss做一个平均,此为最小化目标损失,优化目标就是要使这东西最小化:
测试过程
在测试过程中,将S和T两个网络中间三个层的feature maps对应相减,然后上采样到相同大小,然后相乘,所得为图片各像素点处的anomaly score,选取最大值作为本图片的异常分数。
(个人感觉相加比相乘好,作者应该是经过大量实验结果相乘更好吧)
结果分析
整体异常检测效果较好,但仍存在一些检测失误的地方
上图的cable,其中电线截面的反光情况会干扰到异常检测
上图的zipper,表面的一些小杂物(训练集中也存在)会被误认为是异常
等等等等…
本文标签: 笔记TeacherstudentfeatureDetection
版权声明:本文标题:【阅读笔记】《Student-Teacher Feature Pyramid Matching for Anomaly Detection》 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dongtai/1729531931a1204918.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论