EasyNet：一种用于三维工业异常检测的简易网络
计算机视觉与模式识别
2023-09-04 v4
摘要
三维异常检测是工业制造（IM）中一个新兴且至关重要的计算机视觉任务。近年来许多先进算法被发表，但大多数无法满足工业制造的需求。存在若干缺点：i）由于其算法严重依赖大型预训练模型，难以部署在生产线上；ii）由于过度使用记忆库，极大增加了存储开销；iii）推理速度无法达到实时。为克服这些问题，我们提出了一种不使用预训练模型和记忆库的简易且便于部署的网络（称为EasyNet）：首先，我们设计了一个多尺度多模态特征编解码器，以准确重建异常区域的分割图并促进RGB图像与深度图像之间的交互；其次，我们采用多模态异常分割网络以获得精确的异常图；第三，我们提出了一种基于注意力的信息熵融合模块用于推理过程中的特征融合，使其适合实时部署。大量实验表明，EasyNet在不使用预训练模型和记忆库的情况下取得了92.6%的异常检测AUROC。此外，EasyNet比现有方法更快，在Tesla V100 GPU上达到94.55 FPS的高帧率。
引用
@article{arxiv.2307.13925,
title = {EasyNet: An Easy Network for 3D Industrial Anomaly Detection},
author = {Ruitao Chen and Guoyang Xie and Jiaqi Liu and Jinbao Wang and Ziqi Luo and Jinfan Wang and Feng Zheng},
journal= {arXiv preprint arXiv:2307.13925},
year = {2023}
}