告别RGB盲区！多光照缺陷检测新方案，性能全面碾压SOTA
Contrastive Knowledge Distillation for Anomaly Detection in Multi-Illumination/Focus Display Images
📖 AI 总结
该研究针对多光照与多焦点显示图像中的自动异常检测问题展开。由于显示屏表面的细微缺陷难以在RGB图像中识别，且模型仅使用正常数据进行训练，检测难度较大。为此，作者提出了一种基于知识蒸馏的对比学习新框架。该框架以多分辨率知识蒸馏（MKD）为基础，通过测量教师与学生网络间的特征相似度进行检测，并进一步提出多分辨率对比蒸馏（MCD）方法，无需锚点及正负样本对，而是通过拉近或推远师生网络特征距离实现学习。此外，研究还引入混合模块，将多通道信息转换并聚合为MCD的三通道输入。在自建的多光照多焦点显示图像异常检测数据集（MMdAD）上，该方法在AUROC和准确率指标上均显著优于现有先进方法。
🔑 关键词速览
| Anomaly Detection | 异常检测，旨在识别数据中不符合正常模式的异常样本。 |
| Knowledge Distillation | 知识蒸馏，一种模型压缩技术，通过让小型学生网络学习大型教师网络的输出特征。 |
| Contrastive Learning | 对比学习，一种自监督学习方法，通过拉近相似样本、推远不相似样本来学习特征表示。 |
| Multiresolution Knowledge Distillation (MKD) | 多分辨率知识蒸馏，一种基于教师-学生特征相似性度量的异常检测基线方法。 |
| Multiresolution Contrastive Distillation (MCD) | 多分辨率对比蒸馏，本文提出的对比学习方法，无需锚点对，通过调整教师与学生特征间的距离进行异常检测。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅