基于语义反馈神经网络的零样本表面缺陷检测与分类
计算机视觉与模式识别
2021-06-16 v1 人工智能
摘要
缺陷检测与分类技术已从传统人工视觉检测发展为当前智能自动化检测，但当前多数缺陷检测方法基于数据驱动方法训练相关检测模型，考虑到工业领域部分样本数据难以采集，我们将零样本学习技术应用于工业领域。针对现有“潜特征引导属性注意力”（LFGAA）零样本图像分类网络存在的输出潜属性与人工定义属性在语义空间不一致导致模型性能下降的问题，提出一种基于语义反馈的LFGAA网络，并通过构建语义嵌入模块与反馈机制提升模型性能。同时，针对零样本学习中常见的域偏移问题，基于协同训练算法利用数据不同视图间差异信息相互学习的思想，提出一种集成协同训练算法，自适应地从多角度降低图像标签嵌入中的预测误差。在零样本数据集与工业领域缸套数据集上进行的多种实验提供了具竞争力的结果。
引用
@article{arxiv.2106.07959,
title = {Zero-sample surface defect detection and classification based on semantic feedback neural network},
author = {Yibo Guo and Yiming Fan and Zhiyang Xiang and Haidi Wang and Wenhua Meng and Mingliang Xu},
journal= {arXiv preprint arXiv:2106.07959},
year = {2021}
}
备注
28 pages 10 figures