网站网页设计制作教程,成都外贸seo,公司宣传册设计样本设计,网站建设的要求有哪些方面钢铁异常分类 对比学习 比较好用
1.首先#xff0c;为每个实例生成一对样本#xff0c;
来自同一实例的样本被认为是正例#xff0c;
来自不同实例的样本被认为是负例。
2.其次#xff0c;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#xff0c;
… 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
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。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。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。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
