随机有限集框架下利用点模式特征能量的缺陷异常检测
计算机视觉与模式识别
2021-08-30 v1 机器学习
摘要
本文提出一种基于点模式数据异常检测的工业缺陷检测高效方法。近期多数工作使用全局特征进行特征提取以概括图像内容。然而，全局特征对照明和视角变化不具鲁棒性，且未描述图像的几何信息以在制造业中充分利用。据我们所知，我们首次提出使用局部/点模式特征的迁移学习来克服这些局限并捕获图像区域的几何信息。我们将这些局部/点模式特征建模为随机有限集（RFS）。此外，我们提出 RFS 能量，作为异常分数以替代 RFS 似然。正常样本的点模式特征相似度分布被建模为多元高斯分布。所提 RFS 能量的参数学习无需任何繁重计算。我们在多目标缺陷检测数据集 MVTec AD 上评估所提方法。实验结果表明，与最先进方法相比，我们所提方法性能优异，且所提 RFS 能量在少样本学习设定下优于最先进方法。
引用
@article{arxiv.2108.12159,
title = {Anomaly Detection of Defect using Energy of Point Pattern Features within Random Finite Set Framework},
author = {Ammar Mansoor Kamoona and Amirali Khodadadian Gostar and Alireza Bab-Hadiashar and Reza Hoseinnezhad},
journal= {arXiv preprint arXiv:2108.12159},
year = {2021}
}
备注
to be submitted to TII journal, 17pages