TrustMAE：一种基于带信任区域记忆增强自编码器的抗噪缺陷分类框架
计算机视觉与模式识别
2021-01-01 v1
摘要
本文提出一种称为 TrustMAE 的框架以解决产品缺陷分类问题。我们的框架可接受含未标注图像的数据集，而非依赖难以收集且标注费力的缺陷图像。此外，与多数异常检测方法不同，我们的方法对训练数据集中的噪声或缺陷图像具有鲁棒性。该框架采用带稀疏记忆寻址方案的记忆增强自编码器，以避免自编码器过度泛化，并采用一种新颖的信任区域记忆更新方案使噪声远离记忆槽。最终得到一个可重建无缺陷图像并利用感知距离网络识别缺陷区域的框架。与多种最先进（SOTA）基线相比，我们的方法在无噪声的 MVTec 数据集下具竞争力。更重要的是，在噪声水平高达 40% 时仍保持有效，同时显著优于其他基线。
引用
@article{arxiv.2012.14629,
title = {TrustMAE: A Noise-Resilient Defect Classification Framework using Memory-Augmented Auto-Encoders with Trust Regions},
author = {Daniel Stanley Tan and Yi-Chun Chen and Trista Pei-Chun Chen and Wei-Chao Chen},
journal= {arXiv preprint arXiv:2012.14629},
year = {2021}
}
备注
Accepted at WACV 2021