Multi-scale Feature Imitation for Unsupervised Anomaly Localization

要約

教師なし異常位置特定タスクは、異常サンプル トレーニングの欠落、複数の種類の異常の検出、および複数の異常の領域の割合の処理という課題に直面しています。
これらの問題を解決するために、個別の教師と生徒の特徴模倣ネットワーク構造と、画像と特徴ピラミッドを組み合わせたマルチスケール処理戦略が提案されています。
勾配降下最適化に基づくネットワークモジュール重要度探索法を提案して,ネットワーク構造を簡素化した。
実験結果は、提案されたアルゴリズムが、同じ期間の実際の工業製品検出データセットに対する特徴モデリング異常位置特定方法よりも優れていることを示しています。
マルチスケール戦略は、ベンチマーク手法と比較して効果的に効果を高めることができます。

要約(オリジナル)

The unsupervised anomaly localization task faces the challenge of missing anomaly sample training, detecting multiple types of anomalies, and dealing with the proportion of the area of multiple anomalies. A separate teacher-student feature imitation network structure and a multi-scale processing strategy combining an image and feature pyramid are proposed to solve these problems. A network module importance search method based on gradient descent optimization is proposed to simplify the network structure. The experimental results show that the proposed algorithm performs better than the feature modeling anomaly localization method on the real industrial product detection dataset in the same period. The multi-scale strategy can effectively improve the effect compared with the benchmark method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google