面向增量少样本表面缺陷检测的新知识蒸馏网络
计算机视觉与模式识别
2022-09-02 v1 人工智能
摘要
表面缺陷检测是工业质量检测中最关键的工序之一。基于深度学习的表面缺陷检测方法已展现出巨大潜力。然而，性能良好的模型通常需要大量训练数据，且只能检测训练阶段出现过的缺陷。面对增量少样本数据时，缺陷检测模型不可避免地遭受灾难性遗忘与误分类问题。为解决这些问题，本文提出一种称为双知识对齐网络（Dual Knowledge Align Network, DKAN）的新知识蒸馏网络。所提 DKAN 方法遵循预训练—微调的迁移学习范式，并设计了用于微调的知识蒸馏框架。具体而言，提出增量 RCNN 以实现不同类别的解耦稳定特征表示。在此框架下，在类无关特征图之间设计特征知识对齐（Feature Knowledge Align, FKA）损失以应对灾难性遗忘问题，并在逻辑分布之间部署逻辑知识对齐（Logit Knowledge Align, LKA）损失以解决误分类问题。在增量少样本 NEU-DET 数据集上进行了实验，结果表明 DKAN 在各种少样本场景下优于其他方法，在平均精度均值指标上最高提升 6.65%，证明了所提方法的有效性。
引用
@article{arxiv.2209.00519,
title = {A New Knowledge Distillation Network for Incremental Few-Shot Surface Defect Detection},
author = {Chen Sun and Liang Gao and Xinyu Li and Yiping Gao},
journal= {arXiv preprint arXiv:2209.00519},
year = {2022}
}