PathCore:IAD文献解读

论文链接:[Towards Total Recall in Industrial Anomaly Detection]Towards Total Recall in Industrial Anomaly Detection

PathCore:IAD文献解读_第1张图片

 {X^{T}}:数据集, x\epsilon X^{T}             y\epsilon \left \{ 0 , 1\right \}:标签    

\Phi _{ij} = \Phi _{j} x(i)  : \Phi 在ImageNet上预训练后的网络   第 i 张图 网络中第 j

1. Locally aware patchcore features的生成

取model(如:wide_resnet50_2)相邻两层的输出特征:features1:32 x 512 x 28x 28 features2:32 x 1024 x 14 x 14

进行embedding—concat操作:

PathCore:IAD文献解读_第2张图片

 再进行reshape: 32x 1536 x 28 x 28 reshape成 25088 x 1536 原始memory: M

2. Memory的精简

  • 若采用子样本,则patchcore memory无法覆盖所有normal features
  • 文种采用一种核心子集机制(保持性能,减少推理时间

文中用Johson-Lindenstrauss进行降维 后得到M_{c}

3. 异常检测试

通过上述 计算获取test集的memory: m^{^{test}} 

m\epsilon M

先计算:PathCore:IAD文献解读_第3张图片

再得到图像级异常分数矩阵:PathCore:IAD文献解读_第4张图片

 

 

 

你可能感兴趣的:(深度学习,计算机视觉,人工智能)