注意力模块改进工业检测中的图像级异常检测：以 DifferNet 为例
计算机视觉与模式识别
2023-11-08 v2
摘要
在（半）自动视觉工业检测中，基于学习的方法（包括深度神经网络）能够处理的缺陷在像素尺寸上原本很小，却出现在高分辨率图像上。这些往往罕见出现的缺陷模式解释了对于标注数据语料库的普遍需求。为缓解该问题并推进无监督视觉检测的现状，本文提出一种基于 DifferNet 并增强以注意力模块的解决方案：AttentDifferNet。它在三个用于工业检测的视觉异常检测数据集上提升了图像级检测与分类能力：InsPLAD-fault、MVTec AD 和 Semiconductor Wafer。与当前最优（SOTA）相比，AttentDifferNet 取得了改进结果，这通过我们的定性-定量研究得以凸显。我们的定量评估显示，在三个数据集上总体 AUROC 相较 DifferNet 平均提升 1.77 ± 0.25 个百分点，并在 InsPLAD-fault（一个野外工业检测数据集）上达到 SOTA 结果。由于我们对 AttentDifferNet 的变体在当下受关注的方法背景下展现出良好前景，我们给出了一个基线，强调了注意力对于野外及受控环境中工业异常检测的重要性。
引用
@article{arxiv.2311.02747,
title = {Attention Modules Improve Image-Level Anomaly Detection for Industrial Inspection: A DifferNet Case Study},
author = {André Luiz Buarque Vieira e Silva and Francisco Simões and Danny Kowerko and Tobias Schlosser and Felipe Battisti and Veronica Teichrieb},
journal= {arXiv preprint arXiv:2311.02747},
year = {2023}
}
备注
Accepted at WACV 2024