MINet：面向带钢表面缺陷实时显著性目标检测的多尺度交互网络
计算机视觉与模式识别
2024-05-28 v1
摘要
自动化表面缺陷检测是工业生产中的一项基本任务，现有的基于显著性的方法克服了具有挑战性的场景并给出了有前景的检测结果。然而，前沿工作通常存在参数量大、计算成本高、推理速度慢的问题，这严重限制了实际应用。为此，我们设计了一个多尺度交互（MI）模块，该模块分别采用深度可分离卷积（DWConv）和逐点卷积（PWConv）来独立提取和交互融合不同尺度的特征。特别地，MI模块能够以更少的参数为缺陷区域提供令人满意的表征。基于此模块，我们提出了一个轻量级多尺度交互网络（MINet），用于对带钢表面缺陷进行实时显著性目标检测。在包含三种带钢表面缺陷检测图像（即夹杂物、斑点和划痕）的SD-Saliency-900数据集上的综合实验结果表明，所提出的MINet在仅0.28M参数的情况下，以GPU速度721FPS和CPU速度6.3FPS处理368*368图像时，呈现出与最先进方法相当的检测精度。代码可在https://github.com/Kunye-Shen/MINet获取。
引用
@article{arxiv.2405.16096,
title = {MINet: Multi-scale Interactive Network for Real-time Salient Object Detection of Strip Steel Surface Defects},
author = {Kunye Shen and Xiaofei Zhou and Zhi Liu},
journal= {arXiv preprint arXiv:2405.16096},
year = {2024}
}
备注
accepted by IEEE Transactions on Industrial Informatics