大型手游网络游戏排行榜_上海模板建站多少钱_优网营销_网站链接提交收录

SimpleNet: A Simple Network for Image Anomaly Detection and Localization

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。

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$H_0,W_0$,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

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。

实验