深度学习论文: SimpleNet: A Simple Network for Image Anomaly Detection and Localization及其PyTorch实现
发布时间
阅读量：
阅读量
深度学习论文：简单网络（SimpleNet）是一种简洁高效的方法用于图像异常检测与定位，并附带了基于PyTorch的实现代码。该论文不仅提供了理论分析还包含了详细的实验结果。
1 概述
我们开发了一种简洁高效的无监督异常检测与定位系统—SimpleNet；该系统主要由若干个简洁的神经网络模块构成；然而其架构设计较为基础；尽管其架构设计较为基础，在实际测试中却表现出色，在该基准测试中实现了最高的性能以及最快的推理速度。
通过目标数据集上的迁移学习,SimpleNet采用特征适配器以减轻预训练CNN的偏差.主要致力于通过特征空间中的方法来构建变形,而非直接作用于图像.改进后的网络架构基于单流设计,完全由传统的CNN模块搭建而成,从而实现了高效的推理速度和强大的适应能力.
2 SimpleNet
SimpleNet由四个部分组成:
(1)生成局部特征的预训练特征提取器；
(2)将局部特征映射至目标域的浅特征适配器；其结构通常由简单的神经元块构成，在实际应用中常见于解决跨域学习问题。实验结果表明，在单层全连接结构下实现了较为理想的性能水平。
采用向正常特性中加入高斯噪声分布的方式进行简单异常特征求真器的设计；从图中可以看到,适应特性的各维度标准差趋向于趋近于相同值,从而在区分异特性和正特性时,其对应的特性空间结构趋于收缩状态
辨别异常与正常特征的二元异常识别模型；采用两层多层感知机结构作为常规分类架构。
在推理过程中，异常特征生成器将被丢弃。
提出的方法基于三个直觉：
- 首先，通过将预训练特征转换为与目标相关的特征来减少域差异具有重要意义。
- 其次，在特征空间中生成合成异常更为高效，并且由于缺陷在图像空间中可能缺乏共同特性。
- 第三，在实际应用中使用简单的分类器能够实现高效可靠的分类效果。
训练过程如下：
3 Experiments
全部评论 (0)
还没有任何评论哟~