基于分割引导的边缘增强方法:教师-学生协同框架在工业异常检测中的应用

《Neurocomputing》:Segmentation guided edge enhanced teacher-student for industrial anomaly detection

【字体: 大 中 小 】 时间:2026年03月21日 来源:Neurocomputing 6.5

编辑推荐:

  针对知识蒸馏框架中异常检测的边界模糊问题,提出跨模态去噪教师-学生网络与异常引导分割网络的一体化框架,通过Sobel梯度特征增强和动态注意力机制解决异常边缘模糊与模型泛化能力不足的挑战,显著提升工业场景下异常检测性能。

  
杨彦红|李朝阳|张浩正|王飞|陈胜勇
天津工业大学计算机科学与工程学院,中国天津300384

摘要

异常检测在智能制造流程中的质量保证至关重要。由于异常样本的稀缺,基于知识蒸馏的无监督检测方法得到了广泛讨论,并显示出巨大潜力。然而,以往的教师-学生(T-S)框架面临两个主要限制:1)边缘模糊的异常区域阻碍了T-S网络之间的差异表示;2)学生网络的过度泛化使其能够很好地重建异常特征。 在本研究中,我们提出了一种改进的模型,称为,该模型将跨模态去噪教师-学生网络和分割网络集成到一个统一的框架中,以解决上述挑战。首先,为了突出异常边缘的特征,我们引入了一个跨模态去噪网络,将梯度特征视为一种不同的模态来加强对异常数据的约束。其次,为了自适应地融合伪异常T-S特征,我们训练了一个异常引导的分割网络,该网络基于粗略的异常图动态强化异常区域,从而在特征空间中实现了显著的性能提升。大量实验表明,在工业异常检测基准测试中优于现有方法,证实了我们方法的有效性和泛化能力。

引言

异常检测(AD)旨在识别样本中的异常模式,广泛应用于工业、逻辑、交通和医疗等多个领域[1]、[2]。这是一项关键而具有挑战性的任务,通常被构建为一个无监督学习问题。在无监督AD的背景下,仅使用未标记的正常样本作为参考。以往的方法从多个角度进行了探索,例如图像重建[3]、[4]、合成异常[5]、[6]和知识蒸馏[7]、[8],这些方法最近取得了令人鼓舞的性能提升。
这些方法期望学习正常样本的分布,并在发现任何偏离正常情况时识别异常。知识蒸馏[9]通过建立教师-学生网络对,成为一种领先的范式。其关键思想是学生在训练过程中仅学习无异常特征,从而在处理异常查询时产生差异表示。由于过度泛化[10]、[11],异常区域在推理过程中被很好地重建,导致异常检测性能较差。
现有针对这一挑战的研究涉及重新设计模型架构或引入额外的约束。例如ATSN[12]和ADPS[13]等非对称T-S网络,它们增强了T-S网络中异常表示的区分能力。刘等人[5]和张等人[14]提出的其他方法引入了异常模拟机制,以加强对异常数据的约束,使模型能够以监督方式进行训练。尽管这些方法很有前景,但如图1所示,当面对真实的工业数据时,边缘模糊会导致性能下降。关键问题仍然是:我们如何在保持对正常样本泛化能力的同时,有效地澄清蒸馏框架中的边缘模糊问题?
在这项工作中,我们重新审视了经典的特征描述符,并确定Sobel算子是图像识别的有效先验。如图2(d)所示,Sobel提取的梯度模式形成了独特的特征,有效突出了特征图中的结构边缘。这种区分能力与最近的研究结果[15]一致,即在梯度空间施加约束可以增强前景-背景的区分度,同时降低复杂性。我们的进一步分析表明,这些梯度图像中的纹理不连续性特别突出了异常边缘,如图2所示。基于这一发现,即梯度空间操作可以增强异常显著性,我们提出了一个新框架。具体来说,使用合成异常图像作为学生输入来放大T-S网络之间的特征差异,并设计了一种梯度增强机制。该机制包括一个跨模态梯度融合模块(CGFM),它融合了RGB和梯度模态,以增强对边缘模糊模式的敏感性。此外,我们用带有异常引导块(AGB)的分割网络替换了经验聚合[14]。AGB通过注意力机制动态强化异常区域,从而显著提升了性能。
我们的方法,称为,主要解决了工业异常检测中蒸馏框架中边缘模糊的固有问题。为此,我们提出了两种关键策略:伪跨模态梯度增强以促进边缘编码,以及异常引导的分割网络来动态强化异常模式。我们在MVTec-AD[16]、BTAD[17]和VisA[18]等三个数据集上进行了全面实验,证明了我们方法的有效性,其性能显著优于单模态方法。
总结来说,我们工作的主要贡献包括:
  • •
    本文提出了,这是一种隐式的边缘梯度增强蒸馏范式,用于异常检测。通过额外引入特征空间梯度模态并附加分割网络,可以突出异常边缘的特征,并强调异常区域,从而提高异常区域检测的精确度。
  • •
    我们提出了一个CGFM,它整合了跨模态梯度特征以增强异常边缘。这一创新有助于保留丰富的语义信息,并有效解决了不可避免的边缘模糊问题。
  • •
    基于U-Net,我们设计了一个异常引导的分割网络,利用AGB动态增加网络对异常区域的关注度,从而以聚合方式精确分割异常图。
  • 相关工作

    由于异常样本的稀缺,无监督图像异常检测得到了快速发展。在图像重建领域,AutoEncoder(AE)[19]、[20]、变分AEs[21]和生成对抗网络(GAN)[22]、[23]已被引入到这一任务中以重建样本。假设是生成模型无法有效重建异常图像,因为它们在训练期间不存在。然而,由于深度模型具有很好的泛化能力,即使面对异常图像也能进行重建

    概述

    所提出的旨在准确检测和定位细粒度异常。图3展示了其整体框架。由两个关键组件组成:一个用于异常特定特征区分的跨模态去噪教师-学生网络,以及一个用于异常精确分割的异常引导分割网络。跨模态去噪教师-学生网络包含一个教师编码器、一个学生解码器和一个CGFM。前3个阶段是在ImageNet上预训练的ResNet18

    实验设置

    数据集。我们在三个常见的工业异常检测无监督AD基准测试上测试了我们的方法。MVTec AD包含15个真实世界类别,分为5个纹理类别和10个对象类别。它包含5354张图像,其中3629张正常图像构成训练集,1725张图像(包括正常和异常样本)构成测试集。同样,BTAD包含2830张工业图像,分为3个类别,包括正常训练图像

    结论

    在本文中,我们提出了,以解决现有基于知识蒸馏的异常检测方法中的边缘模糊问题。由一个跨模态去噪教师-学生网络和一个异常引导的分割网络组成。前者整合了梯度模态特征,使T-S网络能够突出边缘特征,从而提高边缘处的异常检测性能。后者旨在通过动态增强来优化异常定位

    CRediT作者贡献声明

    杨彦红:撰写——审阅与编辑、监督、项目管理、概念化。李朝阳:撰写——初稿、验证、方法论。张浩正:验证、软件、形式分析。王飞:验证、资源、形式分析。陈胜勇:监督、项目管理、资金获取、概念化。

    利益冲突声明

    作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

    致谢

    本工作部分得到了中国国家自然科学基金(项目编号62406224、62176183、62020106004和92048301)的支持;部分得到了天津市自然科学基金(项目编号25JCQNJC00740)的支持;部分得到了福建茶叶产业大数据应用与智能化重点实验室(武夷大学)(项目编号FKLBDAITI202403)的支持。
    杨彦红于2020年在杭州浙江工业大学获得控制科学与工程博士学位。她目前是天津工业大学的助理教授,研究兴趣包括机器学习和计算机视觉。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号