用于少样本视觉异常分类的 PatchProto 网络
计算机视觉与模式识别
2023-10-10 v1
摘要
视觉异常诊断可自动分析缺陷产品，已广泛应用于工业质量检测。异常分类可将缺陷产品分类为不同类别。然而，异常样本在实践中难以获取，这阻碍了规范机器学习模型的训练。本文研究一个实际问题：用于训练的异常样本极其稀少，即少样本学习（FSL）。利用充足的正常样本，我们提出用于少样本异常分类的 PatchProto 网络。与经典 FSL 方法不同，PatchProto 网络仅提取缺陷感兴趣区域的 CNN 特征，作为少样本学习的原型。与基础少样本分类器相比，在 MVTec-AD 数据集上的实验结果表明 PatchProto 网络显著提高了少样本异常分类准确率。
引用
@article{arxiv.2310.04688,
title = {PatchProto Networks for Few-shot Visual Anomaly Classification},
author = {Jian Wang and Yue Zhuo},
journal= {arXiv preprint arXiv:2310.04688},
year = {2023}
}