Agm-Net:注意力引导的掩盖,拒绝异常位置网络的异常

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 使用知识蒸 (KD) 的无监督异常检测是有效的,但受到类似的学生-教师网络架构的限制.
• 以前的方法由于架构约束而难以实现性能和通用化.

研究的目的:

• 提出一个以注意力为导向的掩盖,消除异常局部化网络 (Agm-Net),以克服现有的基于KD的异常检测的局限性.
• 加强学生和教师网络之间的结构差异,提高异常局部化准确度.

主要方法:

• 在学生网络中纳入了以注意力为导向的U形否定架构.
• 引入了一个功能级别的掩盖生成模块,用于可控制的掩盖区域大小的区域随机掩盖.
• 开发了一种随机连接的边界平滑异常合成策略,用于实现现实的缺陷图像生成.

主要成果:

• 在基准数据集上,AGM-Net实现了高性能:MVTec AD (98.2%AU-ROC, 94.6%PRO),Visa (99.2%AU-ROC, 95.1%PRO).
• 该模型在真实世界PCB数据集 (BHAAD) 上表现出有效性,AU-ROC为98.9%,PRO为93.4%.
• 提出的方法改进了功能细节恢复和局部信息理解.

结论:

• 通过增强模型架构和数据合成,AGM-Net显著提升了无监督异常检测.
• 以注意力为导向的否定和掩盖特征学习有助于卓越的异常局部化能力.
• 该模型在各种数据集中显示出强烈的概括性,包括工业检查任务.