基于深度学习的图像补全异常检测
计算机视觉与模式识别
2018-11-19 v1
摘要
自动化表面检测是许多制造工业中的重要任务，通常 requires 机器学习驱动的解决方案。然而，监督方法可能具有挑战性，因为往往难以获得大量带标签的训练数据。在本工作中，我们改为通过对无缺陷样本进行单类无监督学习，训练一个深度卷积神经网络来补全其中心区域被裁掉的图像。由于该网络仅在无缺陷数据上训练，它用缺失图像区域的无缺陷版本来补全图像块。裁掉区域内的逐像素重建误差是一张异常图像，可用于异常检测。在装饰塑料零件的表面图像上的结果表明，该方法适用于可见异常的检测，并且超越了所有其他被测方法。
引用
@article{arxiv.1811.06861,
title = {Anomaly Detection using Deep Learning based Image Completion},
author = {Matthias Haselmann and Dieter P. Gruber and Paul Tabatabai},
journal= {arXiv preprint arXiv:1811.06861},
year = {2018}
}
备注
6 pages, 5 figures, Accepted for publication by IEEE, 17th International Conference on Machine Learning and Applications (ICMLA) 2018