Bootstrap

论文阅读 SimpleNet: A Simple Network for Image Anomaly Detection and Localization

SimpleNet: A Simple Network for Image Anomaly Detection and Localization

在这里插入图片描述
摘要:
该论文提出了一个简单且应用友好的网络(称为 SimpleNet)来检测和定位异常。SimpleNet 由四个组件组成:(1)一个预先训练的特征提取器,用于生成局部特征;(2)一个浅层特征适配器,用于将局部特征传输到目标域;(3)一个简单的异常特征生成器,通过向正常特征添加高斯噪声来伪造异常特征;(4)一个二元异常鉴别器,用于区分异常特征和正常特征。在推理过程中,异常特征生成器将被丢弃。我们的方法基于三个原则。首先,将预训练的特征转换为面向目标的特征有助于避免领域偏差。其次,在特征空间中生成合成异常更有效,因为缺陷在图像空间中可能没有太多的共性。第三,简单的鉴别器更高效、更实用。尽管 SimpleNet 很简单,但它在数量和质量上都优于以前的方法。在 MVTec AD 基准测试中,SimpleNet 实现了 99.6% 的异常检测 AUROC,与下一个最佳性能模型相比,错误率降低了 55.5%。此外,SimpleNet 比现有方法更快,在 3080ti GPU 上具有 77 FPS 的高帧率。此外,SimpleNet 在单类新颖性检测任务上表现出显着的性能改进。

在这里插入图片描述

Feature Extractor

  1. 首先使用Feature Extractor 提取图像的多级特征
  2. 产生的多级特征缩放到相同的尺度如 H 0 , W 0 H_0,W_0 H0,W0,然后将所有的特征进行合并

Feature Adaptor

We experimentally find that a single fully-connected layer yields good performance.
作者发现使用一个全连接层对获得的多级特征进行映射会更好

Anomalous Feature Generator

对上一步的Feature Adaptorj进行高斯噪声叠加,产生异常特征

Discriminator

对正常的特征和合成的特征进行判别,Discriminator就是一个两层的全连接层。

Loss

在这里插入图片描述
正常特征被判别为0.5,而异常特征被判别为-0.5,其中使用了max函数,使得模型不对对数值过度优化,即优化到0.5或者-0.5时就不会优化了。
在这里插入图片描述

实验

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

;