.png){kind=icon}
返回
Class-Incremental Learning for Surface Defect Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3393-0_46.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
表面缺陷检测对于工业过程中的质量控制与生产优化至关重要。然而，传统的表面缺陷检测模型仅关注封闭静态检测场景。本文旨在将表面缺陷检测任务拓展至更实用的增量检测。首先，为满足工业质量检测的性能要求，我们提出了一种改进的Deformable DETR。具体而言，引入了一种联合位置编码方法以增强模型的全局感知能力。然后，将改进的Deformable DETR与知识蒸馏相结合，提出了一种类别增量的表面缺陷检测方法。表面缺陷检测场景的实验结果表明，所提出的方法实现了具有竞争力的性能，并验证了该方法在表面缺陷检测中的有效性。
Keyword:
Class incremental learning
Surface defect detection
Knowledge distillation
期刊
I
IF:
0
论文数:
37
被引数:
0
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏
A Real-Time Object Counting and Collecting Device for Industrial Automation Process Using Machine Vision基于机器视觉的工业自动化过程物体实时计数采集装置.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏An End-to-End Steel Surface Defect Detection Approach via Fusing Multiple Hierarchical Features融合多个层次特征的端到端钢表面缺陷检测方法OAAI
OAAI分享收藏A comprehensive study of class incremental learning algorithms for visual tasksNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
查看更多内容