基于粗糙集从噪声标签学习可信模型用于表面缺陷检测
计算机视觉与模式识别
2023-01-26 v1 图像与视频处理
摘要
在表面缺陷检测中，存在一些无法唯一归类为异常或正常的可疑区域。可疑区域的标注易受工人情绪波动与判断标准等因素影响，导致噪声标签，进而引起漏检与误检，并最终造成产品质量判断的不一致。与通常的噪声标签不同，用于表面缺陷检测的噪声标签表现为不一致而非错标。噪声几乎出现在每个标签中，且难以纠正或评估。本文提出一种从噪声标签学习可信模型用于表面缺陷检测的框架。首先，为避免噪声标签对模型的负面影响，我们以像素级上一致且精确的元素表示可疑区域，并重新设计损失函数。其次，在不改变网络结构且不增加任何额外标签的情况下，提出可插拔的空间相关贝叶斯模块。最后，提出缺陷判别置信度以度量不确定性，借此可将异常识别为缺陷。我们的结果表明所提方法不仅在学习噪声标签上有效，且具备鲁棒性与实时性。
引用
@article{arxiv.2301.10441,
title = {Learning Trustworthy Model from Noisy Labels based on Rough Set for Surface Defect Detection},
author = {Tongzhi Niu and Bin Li and Kai Li and Yufeng Lin and Yuwei Li and Weifeng Li and Zhenrong Wang},
journal= {arXiv preprint arXiv:2301.10441},
year = {2023}
}
备注
12 pages, 8figures