基于注意力的重构学生网络用于师生金字塔匹配
计算机视觉与模式识别
2022-03-10 v2 图像与视频处理
摘要
异常检测与定位是计算机视觉中的重要问题。近年来，卷积神经网络（CNN）已被用于视觉检测。特别是，异常样本的稀缺性增加了该任务的难度，基于无监督学习的方法正受到关注。我们关注师生特征金字塔匹配（STPM），它仅需少量轮次、仅用正常图像即可训练。在此我们提出了一种弥补STPM缺陷的强大方法。所提方法由两对学生和两名教师组成，其中一对师生网络与STPM相同。另一对师生网络的作用是重构正常产品的特征。通过从异常图像重构正常产品的特征，取二者之差即可更高精度地检测异常。新的师生网络使用了注意力模块，并采用与原始STPM不同的教师网络。注意力机制能成功重构输入图像中的正常区域。不同的教师网络避免关注与原始STPM相同的区域。由两对师生网络得到的六张异常图用于计算最终异常图。与原始STPM相比，用于重构特征的师生网络提升了像素级和图像级的AUC分数。
引用
@article{arxiv.2111.15376,
title = {Reconstruction Student with Attention for Student-Teacher Pyramid Matching},
author = {Shinji Yamada and Kazuhiro Hotta},
journal= {arXiv preprint arXiv:2111.15376},
year = {2022}
}
备注
10 pages, 6 figures