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 对比下,有利于钢表面缺陷类间相似样本的表示学习,

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ImageNet[18]不同的是,ImageNet[18]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
数字芯片实验室1 小时前
分享一个可以学习正则表达式的网址:Pythex.org
学习·正则表达式
陈洪奇1 小时前
注册中心学习笔记整理
笔记·学习
光影少年1 小时前
从前端转go开发的学习路线
前端·学习·golang
兴趣使然_4 小时前
【笔记】使用 html 创建网址快捷方式
笔记·html·js
aramae6 小时前
C++ -- STL -- vector
开发语言·c++·笔记·后端·visual studio
fen_fen6 小时前
学习笔记(32):matplotlib绘制简单图表-数据分布图
笔记·学习·matplotlib
饕餮争锋10 小时前
设计模式笔记_创建型_建造者模式
笔记·设计模式·建造者模式
萝卜青今天也要开心10 小时前
2025年上半年软件设计师考后分享
笔记·学习
amazinging11 小时前
北京-4年功能测试2年空窗-报培训班学测开-第四十七天
python·学习·selenium
吃货界的硬件攻城狮11 小时前
【STM32 学习笔记】SPI通信协议
笔记·stm32·学习