.png){kind=icon}
返回
Patch distance based auto-encoder for industrial anomaly detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126537.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
工业异常检测（IAD）旨在对图像进行分类并定位异常样本中的缺陷区域。为执行IAD，自编码器被广泛应用于训练无异常图像，并通过计算输入与重建输出之间的距离进行推断。然而，在实际应用中，自编码器无法很好地恢复异常区域，因为它会丢失小的空间信息，导致检测性能不佳。为克服上述局限性，本研究提出了一种名为“基于图像块距离的工业异常检测自编码器”（PDAE）的新方法。为增大感受野尺寸并增强对微小空间偏差的鲁棒性，将图像块级别的特征聚合到重建过程中，这有助于更好地区分和定位异常区域。此外，为更好地分类样本，在推断阶段引入了跨图像块得分和跨维度得分。此外，为减少对预训练数据集的偏差，PDAE整合了卷积神经网络提取的多级特征和图像变换器中的类别注意力机制。我们在MVTec-AD基准数据集上进行了实验，并在异常检测和定位方面分别取得了99.7%和98.49%的AUROC分数，达到当前最佳性能。总之，广泛的实验结果表明，我们的方法在所用指标上优于一些当前最佳基线方法，并有效解决了现有局限性。
Keyword:
Patch
Anomaly detection
Reduce bias
Convolutional neural network
Transformer
期刊
IF:
7.5
论文数:
2.9W
被引数:
10.2W
机构
暂无机构信息
引用论文
Preserving Integrity of Evidence with Blockchain Technology in Cloud Forensics for Immigration Management在移民管理云取证中利用区块链技术保护证据完整性
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏Beyond Dents and Scratches: Logical Constraints in Unsupervised Anomaly Detection and LocalizationOAAI
OAAI分享收藏AEKD: Unsupervised auto-encoder knowledge distillation for industrial anomaly detectionAEKD: 用于工业异常检测的无监督自动编码器知识蒸馏
PREAI
分享收藏
查看更多内容