用于表面缺陷显著性检测的联合注意力引导特征融合网络
计算机视觉与模式识别
2024-02-06 v1 机器学习
摘要
表面缺陷检测在工业制造和生产过程中起着重要作用。尽管基于卷积神经网络 (CNN) 的缺陷检测方法取得了巨大飞跃，但它们仍面临诸多挑战，如缺陷尺度变化、复杂背景、低对比度等。为了解决这些问题，我们提出了一种基于编码器 - 解码器网络的联合注意力引导特征融合网络 (JAFFNet)，用于表面缺陷的显著性检测。JAFFNet 主要在解码阶段引入联合注意力引导特征融合 (JAFF) 模块，以自适应地融合低级和高级特征。JAFF 模块学习在特征融合过程中强调缺陷特征并抑制背景噪声，这有利于检测低对比度缺陷。此外，JAFFNet 在编码器之后引入了密集感受野 (DRF) 模块，以捕获具有丰富上下文信息的特征，这有助于检测不同尺度的缺陷。JAFF 模块主要利用由高级语义特征提供的学习到的联合通道 - 空间注意力图来引导特征融合。该注意力图使模型更加关注缺陷特征。DRF 模块利用一系列多感受野 (MRF) 单元，每个单元将所有先前的 MRF 特征图和原始输入作为输入。获得的 DRF 特征在大范围感受野下捕获了丰富的上下文信息。在 SD-saliency-900、Magnetic tile 和 DAGM 2007 上进行的大量实验表明，与其他最先进的方法相比，我们的方法取得了令人瞩目的性能。同时，我们的方法达到了 66 FPS 的实时缺陷检测速度。
引用
@article{arxiv.2402.02797,
title = {Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects},
author = {Xiaoheng Jiang and Feng Yan and Yang Lu and Ke Wang and Shuai Guo and Tianzhu Zhang and Yanwei Pang and Jianwei Niu and Mingliang Xu},
journal= {arXiv preprint arXiv:2402.02797},
year = {2024}
}