©2020-2024 ioDraw All rights reserved,
Privacy Policy
<>工业异常检测
Patchcore是截至2022年在AD数据集上表现最好的缺陷检测模型
* 本文深入浅出的让你看懂原理，解析顶会论文挺耗费时间的给个赞呗~
背景：
在工业图像的异常检测中，最大的问题就是冷启动的问题。
*
首先，在训练集中都是正常的图片，模型很容易捕获到正常图像的特征，但是很难捕获到异常缺陷的样本（这类样本很少，获取也难）
*
其次，分布漂移。正常图像和异常图像分布是不一样的，模型学习的是正常图像的数据分布，而异常图像的数据分布和正常图像不一样
*
AD数据集上的偏差：
AD数据集介绍一下：
尝试解决：
* 如果基于分类的思想进行缺陷检测，很难，因为发生错误的地方不易察觉，小到一条划痕、大到一个组件直接消失
* 最近，采样预训练的模型是个好方法，但是不可避免ImageNet上训练的分类模型不适应目标分布
* 核心点：特征匹配。在训练集和测试集提取不同大小的深度特征表示。但是ImageNet的高层抽象的特征匹配有限
本篇文章采取的方法是基于密度的异常检测方法:
GAP：全局平均。
会定义一个anomaly score
就是你训练正常的数据，捕获正常图像的特征，然后有一个异常的数据进来，就会和正常数据产生一个差异，通过整个差异来判断是否是异常。
其实这篇文章也是站着巨人的肩膀上：
SPADE:
PaDim：
这篇文章提出3个方法：
* 在测试时，最大化提取正常数据的信息
* 减少ImageNet上的类别偏差
* 保持高的推理速度
总体流程：
<>Locally patch features 局部块特征
patchcore采用ImageNet的预训练模型
fi代表网络 ； i i i代表样本 ； j j j代表网络层级
<>局部特征提取
采用ResNet-50 / WideResNet-50 进行特征提取，由4个残差块组成。
一般来说，获取提取的特征是在ResNet最后一层获取，但是存在两个问题
* 损失太多的信息
* 深度抽象的特征对当前的分类任务存在较大的偏差，因为冷启动带来的问题，缺陷特征很少，很难推测出来
解决：
* 创建一个存储块：memory bank,存储patch features（可理解为块特征）
* 不从Resnet最后一层获取特征，而是从中间获取
什么是中间特征：
* 为了不损失空间的分辨率和有用的特征，采用局部邻居聚合的方法来增加感受野，然后合并特征
h是高度，w是宽度，c是通道 ， patchsize是块大小
* 针对位置（h，w）的特征处理：
先放图片理解：
特征提取：
扫描所有的:
* 再提取下一层，再合并，形成一个local patch：
* 多个local patch合并：
* 提取邻居的特征集合
* 合并邻居的特征集合，组成单个feature map
* 局部特征集合
* 最后遍历完整个数据集，取并集，得到特征存储块
<>Coreset Subsampling
基于贪心策略的子采样方法：
流程解释：
* M是我们需要的特征集，整个特征集不能太大（放在内存里面的），尽可能小弟coreset能代表绝大多数的数据特征
* 遍历所有的图像，获得经过ResNet提取后的特征，还是太多，得优化
* l是设定的coreset的特征子集个数，是个超参数
* 关键：如果选才能满足1中的要求？ 就是，每次选一个coresset（ M C M_C MC）中的点，在M中找一个最近又最远（贪心策略）的点，抽出来
* 解释一下什么是最近又最远：在最近的范围内找到最远的点，也就是在局部找到一个最远的点，即最优解。如果不这样，搜索计算量巨大NP难的问题
* 这波很妙，也很关键！
对比一波传说中的随机采样：
* 兄弟，吊打啊！
<>Detection and Localization
测试集的数据进来
* 按照patch feature的思想，一个一个patch到coreset里面去找对比anomaly
score，看是不是异常的，是异常的，ok，红色标出来； 不是，也ok，平平淡淡才是真！
<>最近邻
每个query进来都要找最近的邻居，又是一波骚操作
* 假设领域内邻居数为3
公式如下：
又是一波最小又最大，解释一下：
* 每个query进来，首先找最近距离最近的领域质心（蓝色标记，非数据点）
* 找到距离query最近的质心后，锁定该领域
* 然后在该领域内计算距离最远的数据点，用该距离计算anomaly score，判断是否异常，得到结果
<>效果
* 目前为止最好的异常检测模型！
<>超参数调整
<>都是DL秃头人，解析顶会论文写到博客挺耗费时间的给个赞呗~~