基于网络知识先验的数据高效表面缺陷检测学习
计算机视觉与模式识别
2026-05-19 v1
摘要
深度学习方法已成为工业缺陷检测的事实标准，但其数据驱动的特性和固有的“黑箱”特征常在实际应用中导致性能瓶颈和可信度受限。为此，本文提出了一种新型知识引导损失函数，将模型可解释性无缝集成到训练过程中，而不增加额外的推理成本。该方法分为两个阶段：首先训练主分类网络，并生成其解释形式的显著图作为先验知识；其次建立多任务学习框架，其中主任务执行分类，辅助任务强制最终模型的显著图与主模型的显著图保持一致。这种一致性通过专门的知识引导损失项实现，有效充当强大的正则化器，引导模型向稳健特征表示发展。针对多个公开缺陷数据集进行的广泛实验表明，我们的方法在准确率和平均精度（AP）方面均显著提升了基线模型的性能。此外，视觉分析揭示，所提方法生成的显著图更集中且更符合人类可理解的语义。该工作为弥合模型性能与可解释性之间的差距，为工业质量检查中更可靠、更高性能的视觉系统铺平了道路。
引用
@article{arxiv.2605.17780,
title = {Network Knowledge Prior Guided Learning for Data-Efficient Surface Defect Detection},
author = {Hang-Cheng Dong and Guodong Liu and Dong Ye and Bingguo Liu},
journal= {arXiv preprint arXiv:2605.17780},
year = {2026}
}