结合生成对抗网络与三维数据的有监督异常检测方法在车辆巡检中的应用
计算机视觉与模式识别
2022-12-23 v1 机器学习
图像与视频处理
摘要
目前，轨道车辆底部设备的外部目视检查仍由人工目视完成。本研究尝试利用图像处理技术探究异常检测算法，以部分实现目视检查的自动化。由于铁路维护研究往往缺乏异常数据，无监督学习方法通常用于异常检测；然而其训练成本与精度仍具挑战。此外，有研究者通过加噪等方式由正常图像生成异常图像，但本研究的异常目标为管路旋塞的旋转，难以通过加噪生成。因此，本研究提出一种新方法：利用生成对抗网络对三维计算机图形进行风格转换，并模拟异常图像，从而将有监督学习应用于异常检测。采用几何一致风格转换模型进行图像转换，由此在保持异常形状的同时成功使图像的颜色与纹理模仿真实图像。将生成的异常图像作为有监督数据，异常检测模型无需复杂调参即可轻松训练，并成功检测出异常。
引用
@article{arxiv.2212.11507,
title = {Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections},
author = {Yohei Baba and Takuro Hoshi and Ryosuke Mori and Gaurang Gavai},
journal= {arXiv preprint arXiv:2212.11507},
year = {2022}
}
备注
6 pages, 12 figures