AnoNet：纹理表面中的弱监督异常检测
机器学习
2019-11-26 v1 计算机视觉与模式识别
机器学习
摘要
人类可以轻松检测缺陷(异常)，因为与所在表面相比它是不同或显著的。如今，人工视觉检测仍是常态，因为自动化异常检测十分困难。神经网络是一种有用工具，可以教机器寻找缺陷。然而，它们需要大量训练样本来学习什么是缺陷，且获取这些样本繁琐且昂贵。我们通过称为 AnoNet 的系统解决了以少量训练样本教网络的问题。AnoNet 的架构类似于 CompactCNN，但有以下例外：(1) 它是全卷积网络且不使用步幅卷积；(2) 它浅且紧凑，通过设计最小化过拟合；(3) 紧凑设计限制了中间特征的大小，使得训练无需图像缩小即可进行；(4) 模型占用低，适合边缘计算；(5) 尽管标签弱，仍可检测和定位异常。AnoNet 学习检测异常的底层形状，尽管标注弱，并保留异常的空间定位。用工程化滤波器组初始化技术预置 AnoNet 减少了训练所需的总样本数，并达到了最先进性能。与 CompactCNN 相比，AnoNet 实现了网络参数从 113 万到 6.4 万的巨大 94% 缩减。实验在四个数据集上进行，结果对照 CompactCNN 和 DeepLabv3 比较。AnoNet 在所有数据集上平均将性能提升 106% 至 F1 分数 0.98，并将 AUROC 值提升 13% 至 0.942。AnoNet 能从有限数量的图像中学习。对于其中一个数据集，AnoNet 在仅遍历 53 张训练图像一次后就学会了检测异常。
引用
@article{arxiv.1911.10608,
title = {AnoNet: Weakly Supervised Anomaly Detection in Textured Surfaces},
author = {Manpreet Singh Minhas and John Zelek},
journal= {arXiv preprint arXiv:1911.10608},
year = {2019}
}