MSPNet:通过可学习的特征与残差选择策略提升重建式工业异常检测
《Symmetry》:Symmetry and Asymmetry in Adaptive Selection and Fuzzy Fusion for Industrial Anomaly Detection: The MSPNet Framework
【字体:
大
中
小
】
时间:2026年09月30日
来源:Symmetry 2.2
编辑推荐:
**摘要**
无监督工业异常检测从正常图像中学习,并识别训练期间未曾出现的缺陷。在基于重建的检测器中,用于表示正常性的特征和用于定位缺陷的残差在不同图像之间会变化,但通常这些信号的选取依据的是固定的类别级规则。我们提出了MSPNet,一种镜像选择策略网络,该网络从验证性能中
**摘要**无监督工业异常检测从正常图像中学习,并识别训练期间未曾出现的缺陷。在基于重建的检测器中,用于表示正常性的特征和用于定位缺陷的残差在不同图像之间会变化,但通常这些信号的选取依据的是固定的类别级规则。我们提出了MSPNet,一种镜像选择策略网络,该网络从验证性能中学习这些选择。其特征选择策略选择能够刻画正常外观的通道,而残差选择策略则为定位选择残差。这两种策略共享一个基于图像级和像素级AUROC的奖励,同时作用于重建流水线的互补阶段,因此这一对在结构上是对称的,而它们作用的阶段则不是。它们的得分通过SA-Fuzzy进行组合,这是一种紧凑的Takagi–Sugeno层,其输入在两个分支之间交换时具有对称性,其隶属函数在分支一致性方面对称,但在异常水平方面不对称,从而使异常信号的增加和减少获得不同的响应。在MVTec-AD、VisA、MPDD和BTAD上,MSPNet分别取得了99.6/99.1、98.2/99.0、97.1/98.6和96.6/98.1的图像级AUROC/像素级AUROC值。所学习的策略对于选择偏离类别平均值的图像最为有用,而在两个分支不一致的图像上,SA-Fuzzy相对于原始分数组合器有所改进。在完整数据集上,两种组合器无法区分。这一差距的大部分来自于层输入的交换不变参数化。当前分辨率无法将模糊推理本身与参数匹配的替代方案区分开来。可学习的非对称隶属函数在同一子集上与对称版本区分开来。这些结果表明,输入自适应选择可以改善在不同图像外观变化下基于重建的异常检测。
生物通微信公众号
生物通新浪微博
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