钢铁异常分类140篇Trans 学习笔记 小陈读paper

钢铁异常分类 对比学习 比较好用

1.首先,为每个实例生成一对样本,

来自同一实例的样本被认为是正例,

来自不同实例的样本被认为是负例。

2.其次,这些样本被馈送到编码器以获得嵌入。

3.在对比损失16的影响下,

提取正样本的嵌入以最大化它们的相似性,

而负样本的嵌入被推开以最大化它们的差异。

但有两个障碍阻碍了其在钢表面缺陷图像的有效应用。

存在两个问题

1.首先,对比学习中的固定对比度强度不适合钢表面缺陷样本的表示学习。

2.在强 对比下,有利于钢表面缺陷类间相似样本的表示学习,

但不利于钢 表面缺陷类内相似样本见图1(a)。

弱对比度与强对比度相反见图1(b)。

这两个极端对比强度会破坏缺陷样本的潜在语义信息,从而降低学习表示的质量

2.钢表面缺陷的未标记数据不足,

与ImageNet18不同的是,ImageNet18可以为对比学习提供大量的未标记数据来学习更好的表示。

针对上述问题,给出解决方案

1.在 FiCo 中,设计了可变温度判别来灵活调整钢缺陷样品之间的对比度强度。

还设计了**特征重建(FR)**来 进一步调整对比度强度。

然而,GAN依赖于大量的训练数据 ,由于钢表面缺陷数据不足,容易出现模式崩溃20。

什么是 模式奔溃Mode collapse 模式崩溃是指生成器只复制图像,这对对比学习无效。

2.为了缓解钢表面缺陷数据有限的模式崩溃,提出了DGAN。

在 DGAN 中,多个生成器的权重用于生成不同的图像,为 FiCo 提供更多缺陷数据。

contribution

  1. 提出了一种新的对比学习框架FDCL,以克服现有的对比学习的两个障碍,不能有效地应用于钢表面缺陷图像:**对比度不合适,未标记数据不足。**它可以准确识别标记样本较少的钢表面缺陷。
  2. iCo被提出用于钢表面缺陷图像的表示学习。与对比度强度固定的对比学习不同,FiCo使用设计的可变温度判别和FR灵活调整对比度强度,提高学习表示的质量。
  3. 提出了一种名为 DGAN 的生成方法来补充未标记的数据。DGAN使用多个生成器权重来减轻模式崩溃并为 FiCo 生成不同的图像,进一步提高了学习表示的质量。
  4. 在四个标准钢表面缺陷数据集上进行了广泛的实验,以验证所提方法的有效性。实验结果表明,与最先进的方法相比,该方法有了显着的改进。

下面给出论文链接,可以看看方法部分

Steel Defect Detection Based on Modified RetinaNet | IEEE Conference Publication | IEEE Xplore

相关推荐
kevin_org3 小时前
LangChain入门学习(四)
python·学习·langchain·fastapi
小七在进步17 小时前
string的实现(1)
c++·笔记·visual studio
瑞克-桑切斯19 小时前
Kubernetes 1.28 保姆级新手学习教程
运维·学习·docker·云原生·容器·kubernetes
保利威视频SaaS小张20 小时前
企业直播接入笔记 12|企业内训直播怎么做签到和学时统计,防挂机这件事比想象中难
java·前端·数据库·笔记·视频云·polvy·polyv
lcj25111 天前
[C++] C++11
开发语言·c++·笔记
kaixin_啊啊1 天前
【三种鲑科鱼类比较基因组学分析鉴定出参与细胞内寄生菌鲑立克次体抗性的功能候选基因】论文学习
学习
一条破秋裤1 天前
【1117】【内存资源管控】【笔记】
android·笔记
CappuccinoRose1 天前
Redis 学习文档
redis·后端·学习·缓存·session·非关系型数据库·gossip
qingwufeiyang_5301 天前
Docker学习笔记2
笔记·学习
Z21-X1 天前
云原生运维学习笔记:从操作系统底层到 Kubernetes 集群的深度实践
运维·笔记·学习·云原生·kubernetes