【阅读笔记】《Student-Teacher Feature Pyramid Matching for Anomaly Detection》

Student-Teacher Feature Pyramid Matching for Anomaly Detection

---

---

介绍

  一个再普通不过的教师-学生网络，主要用于缺陷检测。teacher net和student net均使用resnet18作为框架，在框架中集成多尺度特征匹配策略，使学生网络能在更好的监督下从feature pyramid中接收多层次知识的融合，从而允许检测各种大小的异常。以两个网络生成的feature pyramid间的差异作为评分函数，指示某个像素处异常发生的概率，实现了精准、快速的像素级异常检测。

---

论文地址：https://arxiv.org/pdf/2103.04257.pdf

---

整体框架

  具体而言就是将resnet18的conv2_x（layer1）、conv3_x（layer2）、conv4_x（layer3）几层输出的feature maps抽出，使student net的这三层feature maps与teacher net的这三层的feature maps尽可能接近。

训练过程

以下主要介绍其损失函数：
  首先分别对teacher和student进行L2范数标准化，然后计算L2损失函数：

  之后在图像上进行平均：

  再然后对于一张图片的输入，将其所有layer上的损失进行求和：

  最后batch中的所有图片的loss做一个平均，此为最小化目标损失，优化目标就是要使这东西最小化：

测试过程

  在测试过程中，将S和T两个网络中间三个层的feature maps对应相减，然后上采样到相同大小，然后相乘，所得为图片各像素点处的anomaly score，选取最大值作为本图片的异常分数。

（个人感觉相加比相乘好，作者应该是经过大量实验结果相乘更好吧）

结果分析

  整体异常检测效果较好，但仍存在一些检测失误的地方

  上图的cable，其中电线截面的反光情况会干扰到异常检测

  上图的zipper，表面的一些小杂物（训练集中也存在）会被误认为是异常

等等等等…