Auto-Classifier：基于 AutoML 头的鲁棒缺陷检测器
计算机视觉与模式识别
2021-10-29 v1 机器学习
神经与进化计算
摘要
表面缺陷检测的主流方法是使用基于手工特征的方法。然而，当影响所提取图像的条件发生变化时，这种方法表现不佳。因此，在本文中，我们试图确定几种最先进的卷积神经网络（Convolutional Neural Networks）在表面缺陷检测任务中的表现如何。此外，我们提出两种方法：CNN-Fusion，将所有网络的预测融合为最终预测；以及 Auto-Classifier，这是一种通过利用 AutoML 修改卷积神经网络的分类组件来改进该网络的新型方案。我们使用来自 DAGM2007 的不同数据集进行了实验，以评估所提方法在表面缺陷检测任务中的表现。我们表明卷积神经网络的使用取得了优于传统方法的结果，并且 Auto-Classifier 在所有数据集中均达到 100% 准确率和 100% AUC 结果，优于所有其他方法。
引用
@article{arxiv.2009.01573,
title = {Auto-Classifier: A Robust Defect Detector Based on an AutoML Head},
author = {Vasco Lopes and Luís A. Alexandre},
journal= {arXiv preprint arXiv:2009.01573},
year = {2021}
}
备注
12 pages, 2 figures. Published in ICONIP2020, proceedings published in the Springer's series of Lecture Notes in Computer Science