用于极少量数据情形下无监督视觉检测的数据增强与预训练网络
计算机视觉与模式识别
2021-06-03 v1 人工智能
机器学习
机器学习
摘要
利用来自预训练神经网络的深度特征进行无监督异常检测，近来在计算机视觉领域获得了关注。特别是，工业检测应用可受益于此类特征，正如相关方法在 MVTec 异常检测（MVTec AD）数据集上取得的多次成功所证明。这些方法使用在 ImageNet 等辅助分类任务上预训练的神经网络。然而，据我们所知，尚未有关于这些方法在低数据情形下鲁棒性的比较研究。对于质量检验应用，处理有限样本量可能至关重要，因为小批量生产无法提供大量图像。在这项工作中，我们旨在比较三种基于深度预训练特征的方法在 MVTec AD 中可用数据量变化时的表现：KNN、Mahalanobis 和 PaDiM。我们表明，尽管这些方法对小样本量大多鲁棒，但它们仍可从在原始图像空间中使用数据增强中大幅受益，从而能够处理非常小的生产批次。
引用
@article{arxiv.2106.01277,
title = {Data augmentation and pre-trained networks for extremely low data regimes unsupervised visual inspection},
author = {Pierre Gutierrez and Antoine Cordier and Thaïs Caldeira and Théophile Sautory},
journal= {arXiv preprint arXiv:2106.01277},
year = {2021}
}
备注
16 pages, 8 figures, 9 tables, SPIE proceedings of Optical Metrology conference (https://spie.org/conferences-and-exhibitions/optical-metrology)