一种用于图形单元自动化测试中视觉异常检测的弱监督方法
机器学习
2021-08-10 v2 机器学习
摘要
我们提出了一种深度学习系统，通过检测视频中新颖的视觉损坏来测试图形单元。与先前需要人工标注以收集标记训练数据的工作不同，我们的弱监督方法完全自动且无需人工标注。这是通过复现提高损坏生成概率的驱动程序缺陷，并利用多示例学习（MIL）设定中的思想与方法实现的。在我们的实验中，我们显著优于诸如基于GAN的模型等无监督方法，并发现了基线未检测到的新型损坏，同时满足我们实时系统在准确率与效率上的严格要求。
引用
@article{arxiv.1912.04138,
title = {A Weak Supervision Approach to Detecting Visual Anomalies for Automated Testing of Graphics Units},
author = {Adi Szeskin and Lev Faivishevsky and Ashwin K Muppalla and Amitai Armon and Tom Hope},
journal= {arXiv preprint arXiv:1912.04138},
year = {2021}
}
备注
Accepted to NeurIPS 2019 Machine Learning for Systems Workshop