MixedTeacher：用于快速推理纹理异常检测的知识蒸馏
计算机视觉与模式识别
2023-06-19 v1
摘要
长期以来，无监督异常检测学习一直是图像处理研究的核心，也是高性能工业自动化进程的基石。随着CNN的出现，已提出若干方法如自编码器、GAN、深度特征提取等。本文中，我们基于很有前景的知识蒸馏概念提出一种新方法，其包含训练一个网络（学生）在正常样本上，同时考虑一个更大的预训练网络（教师）的输出。本文的主要贡献有两点：首先，提出具有最优层选择的精简学生架构；随后提出一种结合两位教师以减少网络偏差的新学生–教师架构，以共同提升异常检测性能及其定位精度。所提纹理异常检测器具有在任何纹理中检测缺陷的出色能力，且相比SOTA方法具有更快的推理时间。
引用
@article{arxiv.2306.09859,
title = {MixedTeacher : Knowledge Distillation for fast inference textural anomaly detection},
author = {Simon Thomine and Hichem Snoussi and Mahmoud Soua},
journal= {arXiv preprint arXiv:2306.09859},
year = {2023}
}
备注
2023 International Conference on Computer Vision Theory and Applications (VISAPP 2023), 8 pages