用于表面缺陷轻量级显著性检测的全局上下文聚合网络
计算机视觉与模式识别
2023-09-25 v1
摘要
表面缺陷检测是一项极具挑战性的任务，其中表面缺陷通常呈现微弱外观或存在于复杂背景下。大多数高精度缺陷检测方法需要昂贵的计算和存储开销，使其在一些资源受限的缺陷检测应用中实用性较低。尽管一些轻量级方法以更少参数实现了实时推理速度，但其在复杂缺陷场景中检测精度较差。为此，我们在编码器-解码器结构上开发了用于表面缺陷轻量级显著性检测的全局上下文聚合网络（GCANet）。首先，我们在轻量级骨干网络的顶层引入了一种新型Transformer编码器，其通过新型深度可分离自注意力（DSA）模块捕获全局上下文信息。所提出的DSA在通道维度上执行逐元素相似度，同时保持线性复杂度。此外，我们在每个解码器块之前引入了新型通道参考注意力（CRA）模块，以增强自底向上路径中多级特征的表示。所提出的CRA利用不同层特征之间的通道相关性来自适应增强特征表示。在三个公开缺陷数据集上的实验结果表明，与其他17种最先进（SOTA）方法相比，所提网络在精度和运行效率之间实现了更好的权衡。具体而言，GCANet在SD-saliency-900上取得了具有竞争力的精度（91.79% 、93.55% 和97.35% ），同时在单块GPU上以272fps运行。
引用
@article{arxiv.2309.12641,
title = {Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects},
author = {Feng Yan and Xiaoheng Jiang and Yang Lu and Lisha Cui and Shupan Li and Jiale Cao and Mingliang Xu and Dacheng Tao},
journal= {arXiv preprint arXiv:2309.12641},
year = {2023}
}