利用丰富正常训练样本通过正常背景正则化与裁剪粘贴操作实现少样本缺陷分割
计算机视觉与模式识别
2021-04-07 v2
摘要
在工业产品质量评估中，判断产品是否存在缺陷并进一步分析异常严重程度至关重要。为此，对产品图像进行精准的缺陷分割是一项重要功能。在工业检测任务中，通常会采集到大量无缺陷图像样本，但异常样本极少。因此，仅使用少量标注的异常训练图像来开发自动且准确的缺陷分割系统十分关键。本文致力于解决少样本缺陷分割这一挑战性任务，其设定为具有充足正常（无缺陷）训练图像但异常图像极少。我们提出了两种有效的正则化技术，通过将大量无缺陷图像引入类 UNet 编码器-解码器缺陷分割网络的训练中实现。我们首先提出正常背景正则化（NBR）损失，其与分割损失联合最小化，增强编码器网络为正常区域生成具有区分性的表示。其次，我们将缺陷区域裁剪/粘贴到随机选取的正常图像上进行数据增强，并提出加权二元交叉熵损失，基于特征级相似性比较对更真实的裁剪粘贴增强图像赋予更高权重以强化训练。两种技术均基于 ResNet-34 骨干的编码器-解码器分割网络实现，用于少样本缺陷分割。我们在近期发布的包含高分辨率工业图像的 MVTec 异常检测数据集上进行了充分实验。在 1-shot 与 5-shot 缺陷分割设定下，所提方法均显著优于多种基准方法。
引用
@article{arxiv.2007.09438,
title = {Few-Shot Defect Segmentation Leveraging Abundant Normal Training Samples Through Normal Background Regularization and Crop-and-Paste Operation},
author = {Dongyun Lin and Yanpeng Cao and Wenbing Zhu and Yiqun Li},
journal= {arXiv preprint arXiv:2007.09438},
year = {2021}
}
备注
Will be appeared in ICME2021 Oral Presentation