两阶段神经网络的端到端训练用于缺陷检测
计算机视觉与模式识别
2020-07-16 v1
摘要
基于分割的两阶段神经网络在表面缺陷检测中表现出优异的结果，使网络能够从相对较少的样本中学习。在本工作中，我们引入两阶段网络的端到端训练以及针对训练过程的若干扩展，减少了训练时间并改善了表面缺陷检测任务上的结果。为实现端到端训练，我们在整个学习过程中仔细平衡分割损失与分类损失的贡献。我们调整从分类网络流入分割网络的梯度，以防止不稳定特征破坏学习。作为对学习的额外扩展，我们提出负样本的使用频率采样方案，以解决训练期间图像过采样与欠采样的问题，同时我们对基于区域的分割掩码采用距离变换算法作为正像素的权重，在不要求精细标注的情况下赋予缺陷出现概率较高区域更大的重要性。我们在三个缺陷检测数据集——DAGM、KolektorSDD和Severstal Steel缺陷数据集——上展示了端到端训练方案及所提扩展的性能，其中我们展示了最先进的结果。在DAGM和KolektorSDD上我们实现了100%检测率，从而完全解决了这些数据集。在所有三个数据集上进行的额外消融研究定量展示了各所提扩展对整体结果改进的贡献。
引用
@article{arxiv.2007.07676,
title = {End-to-end training of a two-stage neural network for defect detection},
author = {Jakob Božič and Domen Tabernik and Danijel Skočaj},
journal= {arXiv preprint arXiv:2007.07676},
year = {2020}
}