注意力模块改进现代图像级异常检测：以DifferNet为例
计算机视觉与模式识别
2024-01-18 v1
摘要
在（半）自动化视觉检测中，基于学习的方法（包括深度神经网络）用于评估视觉缺陷，能够处理高分辨率图像上像素尺寸的微小缺陷模式。这些通常罕见出现的缺陷模式解释了对于标注数据集的普遍需求。为了不仅缓解这一问题，而且进一步推动当前无监督视觉检测的最新技术水平，本文提出了一种基于DifferNet的解决方案，并通过使用SENet和CBAM作为骨干网络的注意力模块进行增强——AttentDifferNet——以提升在三个不同视觉检测和异常检测数据集上的检测与分类能力：MVTec AD、InsPLAD-fault和半导体晶圆。与当前最先进技术相比，结果表明AttentDifferNet取得了改进的结果，这些结果在我们的定量和定性评估中均得到突出体现，表现为AUC的普遍提升：94.34 vs. 92.46、96.67 vs. 94.69和90.20 vs. 88.74%。由于我们的AttentDifferNet变体在当前研究方法的背景下展现出巨大前景，我们制定了一个基线，强调了注意力机制对于异常检测的重要性。
引用
@article{arxiv.2401.08686,
title = {Attention Modules Improve Modern Image-Level Anomaly Detection: A DifferNet Case Study},
author = {André Luiz B. Vieira e Silva and Francisco Simões and Danny Kowerko and Tobias Schlosser and Felipe Battisti and Veronica Teichrieb},
journal= {arXiv preprint arXiv:2401.08686},
year = {2024}
}
备注
Accepted to CVPRW 2023: VISION'23 - 1st workshop on Vision-based InduStrial InspectiON (Extended Abstract). arXiv admin note: substantial text overlap with arXiv:2311.02747