区域感知 CAM：基于显著区域感知的高分辨率弱监督缺陷分割
计算机视觉与模式识别
2025-07-01 v1 人工智能
摘要
表面缺陷检测在工业质量检测中发挥着关键作用。人工智能的最新进展显著提升了检测过程的自动化水平。然而，传统的语义分割和物体检测模型严重依赖大规模标注数据集，这与缺陷检测任务的实际需求相矛盾。本文提出了一种新颖的弱监督语义分割框架，包含两个关键组件：区域感知类激活图（CAM）和伪标签训练。针对现有 CAM 方法中热图分辨率低和细节保留不足的局限性，我们引入了滤波引导反向传播（FGBP），通过过滤梯度幅值来识别与缺陷相关性更高的区域，从而精炼目标区域。在此基础上，我们进一步开发了区域感知加权模块以增强空间精度。最后，通过伪标签分割迭代地提升模型性能。在工业缺陷数据集上的综合实验证明了本方法的优越性。所提框架有效弥合了弱监督学习与高精度缺陷分割之间的差距，为资源受限的工业场景提供了实用解决方案。
引用
@article{arxiv.2506.22866,
title = {Region-Aware CAM: High-Resolution Weakly-Supervised Defect Segmentation via Salient Region Perception},
author = {Hang-Cheng Dong and Lu Zou and Bingguo Liu and Dong Ye and Guodong Liu},
journal= {arXiv preprint arXiv:2506.22866},
year = {2025}
}