通过半监督学习检测产品表面缺失 | 自动缺失识别技术科普

，编码器举例来说抽引读引三维的64×64×64、 128×32×32,和256×16×16的庞加莱形态，记为II。然后计算每个MI与II的L2东北方，用来度量读引特写与失忆的资讯的欠异，引其之前最小的记为DI*，DI*即为与近期检验欠异最小的出现反常检验，必需举例来说刻画弱点的资讯。

然后将MI*与II相关联分辨率的形态庞加莱形态拼接，赢引CI1、CI2和CI3，这些形态用来送入固件测定弱点的资讯。MemSeg选用U-Net[2]作为固件，CI1、CI2和CI3相关联的跨层连接的读引形态。

这里N属于特训极限参近，MemSeg写作者通过实验发后曾，当N日益扩大时，建模弱点测定的效果越好，但是随着N来得过大，相关性由此可知始下降，表明这个极限参近需复用运用过场，MemSeg写作者在最后总结该分析方法弱点时也提到了这一点。

多微小形态融入计算机系统对

融入后的CIn(n = 1,2,3) 首先通过一个3×3卷积降维，由于CI是通过简单形态拼接赢引，通过CA（coordinate attention）[4]计算机系统对顺利进行连接处数间的精力加权平均，然后通过除此以外的上谐波系统对设计将并不相同微小形态分辨率也就是说，通过一个3×3卷积将并不相同微小形态连接处近也就是说，采行相关联锕系元素累加顺利进行融入。

密闭精力块

为了使建模较低度重视弱点区外，采行密闭精力计算机系统对对密闭顺利进行形态加权平均，具体系统对设计：M3为相关联形态按连接处引少于赢取，而M2和M1在对连接处引少于后，还要点乘上上一层精力图上谐波后的结果。所列乘积坚称上述步骤，其之前C1、C2和C3分别坚称相关联形态D1*、D2*、D3*的连接处近，⨀坚称点乘系统对设计，M2U和M3U分别坚称上一层的突出图和通过上谐波赢引的形态图。

Loss举例来说 写作者举例来说了L1 loss和和focal loss[5]来顺利进行特训。L1 loss相比L2 loss必需较低度重视边缘的资讯，focal loss必需解决前景时代背景%不均衡问题，同时必需较低度重视紧迫检验。增温实验坚称二者相结合能增加弱点测定相关性，建模的在短期内就是举例来说二者的加权平均和。

具体乘积：

其之前λl1和λf是平衡参近，αt和γ是focalloss相关联的极限参近，写作者通过网格搜索赢取最优极限参近λl1=0.6和λf=0.4，γ=0.4。

实验结果

定性分析各个方面，将MemSeg与已有分析方法在MVTec AD近据集[6]上顺利进行对比，对比二值化之前的测定结果，发后曾MemSeg分析方法必需赢取更直观的判断边界，说明建模可以更准确地高度重视弱点前方。定量分析各个方面，在MVTec AD近据集上MemSeg的像素级别的AUC得分极限过99.56%，少于后曾有分析方法，显然MemSeg分析方法的可靠性。侦探小说速度快各个方面，获益于端到端的运用方式也，MemSeg在NVIDIA RTX 3090 GPU上速度快为0.0319s，在侦探小说速度快上与之前分析方法相比也有较大竞争者。

不足之处

MemSeg写作者同时也分析了MemSeg分析方法的在技术上，即相当依赖于失忆检验。MemSeg对于失忆检验之前工件放有的前方路径发展相当敏感。比如近据集之前的拧这一类别，由于路径发展并不相同、放有前方不固定，致使需更多的失忆检验来使建模记住出现反常方式也的资讯，使MemSeg在实质运用之前对使用过场明确指出了较低的要求与更严格的限制。

写作者：安宇 适创科技视觉与建模厂商部，三维分析方法工程师，主要高度重视高度深造技术由此可知发之前的目标测定、语义一分为二路径，后曾全心投入ADR弱点测定系统对之前的相关项目研发工作。 编辑：田恒易

参考文献

[1] O. Ronneberger, P. Fischer, and T. Brox, “U-net: convolutional networks for biomedical image segmentation,” In: International Conference on Medical image computing and computer-assisted intervention, pp. 234-241, 2015.

[2] K. Perlin, “An image synthesizer,” ACM Siggraph Computer Graphics, vol. 19, no. 3, pp. 287–296, 1985.

[3] M. Cimpoi, S. Maji, I. Kokkinos, S. Mohamed, and A. Vedaldi, “Describing textures in the wild,” In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 3606–3613, 2014.

[4] Q. Hou, D. Zhou, and J. Feng, “Coordinate attention for efficient mobile network design,” In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 13713-13722, 2021.

[5] T. Y. Lin, P. Goyal, R. Girshick, K. He, and P. Dollár, “Focal loss for dense object detection,” In: Proceedings of the IEEE international conference on computer vision, pp. 2980-2988, 2017.

[6] P. Bergmann, M. Fauser, D. Sattlegger, and C. Steger, “MVTec AD-a comprehensive real-world dataset for unsupervised anomaly detection,”

In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 9592-9600, 2019.

。

再林阿莫西林颗粒能不能治疗感冒
湿气重脾胃功能弱怎么办
米氟来特片是什么药？能长期服用吗？
软组织挫伤很疼怎么办
儿童感冒吃阿莫西林颗粒有效吗