工业缺陷分割中卷积神经网络的平移等价性研究
计算机视觉与模式识别
2023-10-02 v1
摘要
在工业缺陷分割任务中，像素精度和交并比（IoU）虽是常用的分割性能评估指标，但模型输出的的一致性（亦称等价性）常被忽视。即便输入图像发生微小平移，也可能导致分割结果出现显著波动。现有方法主要通过数据增强或抗混叠来增强网络对平移变换的鲁棒性，但其在测试集上的平移等价性表现较差，或易受非线性激活函数影响。此外，输入图像平移所引起的边界变化一直被忽略，从而进一步限制了平移等价性。针对该挑战，本文提出一种称为分量注意力多相采样（CAPS）的新型下/上采样层对，以替代 CNN 中的常规采样层。为减轻图像边界变化对等价性的影响，CAPS 中设计了自适应加窗模块以自适应地滤除图像边界像素。此外，提出分量注意力模块融合所有下采样特征以提升分割性能。在微表面缺陷（MSD）数据集与四个真实工业缺陷数据集上的实验结果表明，所提方法相较于其他 SOTA 方法具有更高的等价性与分割性能。我们的代码将发布于 https://github.com/xiaozhen228/CAPS。
引用
@article{arxiv.2309.16902,
title = {Investigating Shift Equivalence of Convolutional Neural Networks in Industrial Defect Segmentation},
author = {Zhen Qu and Xian Tao and Fei Shen and Zhengtao Zhang and Tao Li},
journal= {arXiv preprint arXiv:2309.16902},
year = {2023}
}
备注
submit to IEEE Transactions on Instrumentation & Measurement