DefectNET：高度不平衡数据集上的多类缺陷检测
计算机视觉与模式识别
2022-03-04 v2
摘要
作为一种数据驱动方法，深度卷积神经网络(CNN)的性能严重依赖于训练数据。传统网络的预测结果偏向较大类别，在语义分割任务中这往往为背景。对于缺陷检测而言，这成为主要问题，因为目标在图像上显得非常小且在类型与尺寸上均多变。本文中我们提出一种新的网络架构DefectNet，可在高度不平衡数据集上提供多类（包括但不限于）缺陷检测。DefectNet由两条并行路径组成，即一个全卷积网络与一个膨胀卷积网络，分别用于检测大与小物体。我们提出一种混合损失，最大化dice损失与交叉熵损失的效用，并采用泄漏修正线性单元(ReLU)以应对训练批次中某些目标的罕见出现。预测结果表明，我们的DefectNet在检测多类缺陷上优于最先进的网络，在风力涡轮机上的平均准确率提升约10%。
引用
@article{arxiv.1904.00863,
title = {DefectNET: multi-class fault detection on highly-imbalanced datasets},
author = {N. Anantrasirichai and David Bull},
journal= {arXiv preprint arXiv:1904.00863},
year = {2022}
}