Exploring the Relationship between Samples and Masks for Robust Defect Localization

要約

欠陥検出は、正規分布から外れた領域を検出して位置特定することを目的としています。これまでのアプローチでは、正規性をモデル化し、それを入力と比較して欠陥領域を特定し、一般化可能性を制限する可能性がありました。この論文では、モデリングを行わずに欠陥パターンを直接検出する 1 段階のフレームワークを提案しています。
この機能は、敵対的生成ネットワーク (GAN)、新しく提案されたスケーリング パターン損失、動的マスクされたサイクル整合性補助ネットワークの 3 者による共同の取り組みを通じて採用されています。
欠陥の位置を示す可能性のある明示的な情報は、直接マッピングの学習を避けるために意図的に除外されています。挑戦的な MVTec AD データセットのテクスチャ クラスに関する実験結果は、提案された手法が F1 スコアで SOTA 手法より 2.9\% 高いことを示しています。
一般化性の点では SOTA メソッドを大幅に上回っています。

要約(オリジナル)

Defect detection aims to detect and localize regions out of the normal distribution.Previous approaches model normality and compare it with the input to identify defective regions, potentially limiting their generalizability.This paper proposes a one-stage framework that detects defective patterns directly without the modeling process.This ability is adopted through the joint efforts of three parties: a generative adversarial network (GAN), a newly proposed scaled pattern loss, and a dynamic masked cycle-consistent auxiliary network. Explicit information that could indicate the position of defects is intentionally excluded to avoid learning any direct mapping.Experimental results on the texture class of the challenging MVTec AD dataset show that the proposed method is 2.9\% higher than the SOTA methods in F1-Score, while substantially outperforming SOTA methods in generalizability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google