工业异常检测的PatchCore方法

前某机构实习生Karsten Roth获得EMVA青年专业人士奖计算机视觉前某机构实习生Karsten Roth获得EMVA青年专业人士奖EMVA青年专业人士奖旨在表彰“学生或青年专业人士在机器视觉或图像处理领域的杰出创新工作”。作者Staff writer2022年6月23日3分钟阅读会议CVPR 2022相关出版物《迈向工业异常检测中的完全召回》图宾根大学博士生Karsten Roth因其在某机构科学实习期间完成的《迈向工业异常检测中的完全召回》工作荣获EMVA青年专业人士奖。Roth于5月13日在布鲁塞尔举行的第20届EMVA商业会议上接受了该奖项。EMVA青年专业人士奖是一个年度奖项“旨在表彰学生或青年专业人士在机器视觉或图像处理领域的杰出创新工作。”Roth与应用科学家Latha Pemula、前高级应用科学家Joaquin Zepeda、副总裁兼杰出科学家Bernhard Schölkopf、某机构学者Thomas Brox以及高级应用科学家也是Roth的导师Peter Gehler共同撰写的论文解决了异常检测中所谓的“冷启动”问题。“该项目是为后来成为某机构Lookout for Vision的服务而开展的该服务帮助企业通常是制造商发现缺陷和异常。”Gehler解释道。Lookout for Vision利用了少样本学习这意味着只需相对少量的缺陷和正常产品示例即可评估产品缺陷。然而当企业只有正常非缺陷产品图像可用时挑战就出现了。“我们研究的问题是冷启动问题即没有任何负样本或缺陷示例。”Gehler说。这一挑战还扩展到检测难以捕捉的缺陷如细微划痕或缺失部件以及发现不可预见的缺陷。“我们的研究源于一个真实且实际的挑战。”Roth解释说“我们开发的解决方案必须是实用型的在考虑‘学术上的惊艳因素’之前优先优化性能和可用性。”团队通过利用无缺陷物品的图像找到了解决该挑战的方案。“我们研究了许多变体。”Gehler说“最佳方案是基于建立一个正常示例的图像库然后针对该库测试待测图像的‘接近度’。”Gehler指出接下来的问题是如何定义“接近度”。“是否接近某个示例取决于你如何获取图像以及如何编码图像。”他说。他补充道借鉴深度学习架构的原理解决方案是“将图像转换为一系列向量然后比较这些向量——在多个阶段有多种方式可以做到这一点。”通过将产品与无缺陷示例进行比较并判断产品离理想状态的接近或偏离程度即使没有实际的缺陷示例也可以标记出缺陷。团队的解决方案PatchCore在广泛使用的MVTec AD基准测试上实现了高达99.6%的图像级异常检测AUROC分数“与次优的竞争对手相比错误率减少了一半以上”。Roth在本周的CVPR 2022上展示了PatchCore。Gehler表示Roth的作用至关重要。“Karsten每周产出的结果多到我们在一小时的周会上都来不及全部讨论完。”“获得今年的EMVA青年专业人士奖进一步验证了这项研究的相关性和重要性我很高兴能获得这样一个高知名度的奖项。”Roth说。他补充说他非常感谢在某机构实习期间所在的团队。“在某机构进行研究的一个意想不到但非常受欢迎的收获是我的代码质量和研究进展的整体文档记录都得到了显著提升”他说“特别感谢Peter他让整个研究实习经历变得非常棒。”某机构科学实习某机构正在积极寻找经济学、机器人学、深度学习等领域的科学实习生。研究领域计算机视觉标签奖项与表彰、异常检测、实习、CVPRFINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享