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
江屿风2 小时前
AI Agent架构全解析:从规划到记忆的智能跃迁
人工智能·笔记·架构·agent·c/s·mcp工作流
fly_sunnn5 小时前
机械狗的前置学习(python与Linux基础操作)
学习
吃我一窝jio6 小时前
Java Bug复盘与性能优化实战
java·开发语言·笔记
Rabitebla7 小时前
【Linux】文件篇(六):Shell 实战——从系统调用到命令行重定向
linux·服务器·c++·笔记·学习
Star(up up up)8 小时前
MySQL 事务隔离级别是如何实现的?从 MVCC 到锁机制原理详解
笔记·vscode·sql·学习·程序人生·mysql·学习方法
琳少_21 小时前
java程序开发笔记
java·开发语言·数据库·笔记
Z21-X1 天前
云原生运维学习笔记:Kubernetes Volume 与 Secret 实验
运维·笔记·学习·云原生·kubernetes
一只大鸽子1 天前
游戏开发笔记7-Godot RPG游戏基础-场景切换、全局脚本
笔记·游戏·godot
console.log('npc')1 天前
Python 学习教程 · 第4课:数据结构
数据结构·python·学习