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
nbsaas-boot几秒前
如何利用ChatGPT加速开发与学习:以BPMN编辑器为例
学习·chatgpt·编辑器
dr李四维3 分钟前
iOS构建版本以及Hbuilder打iOS的ipa包全流程
前端·笔记·ios·产品运营·产品经理·xcode
CV学术叫叫兽40 分钟前
一站式学习:害虫识别与分类图像分割
学习·分类·数据挖掘
我们的五年1 小时前
【Linux课程学习】:进程程序替换,execl,execv,execlp,execvp,execve,execle,execvpe函数
linux·c++·学习
一棵开花的树,枝芽无限靠近你1 小时前
【PPTist】添加PPT模版
前端·学习·编辑器·html
VertexGeek2 小时前
Rust学习(八):异常处理和宏编程:
学习·算法·rust
二进制_博客2 小时前
Flink学习连载文章4-flink中的各种转换操作
大数据·学习·flink
codebolt3 小时前
ADS学习记录
学习
Komorebi.py4 小时前
【Linux】-学习笔记05
linux·笔记·学习
亦枫Leonlew4 小时前
微积分复习笔记 Calculus Volume 1 - 6.5 Physical Applications
笔记·数学·微积分