鋼鐵異常分類 對比學習 比較好用

1.首先，為每個實例生成一對樣本，

來自同一實例的樣本被認為是正例，

來自不同實例的樣本被認為是負例。

2.其次，這些樣本被饋送到編碼器以獲得嵌入。

3.在對比損失[16]的影響下，

提取正樣本的嵌入以最大化它們的相似性，

而負樣本的嵌入被推開以最大化它們的差異。

但有兩個障礙阻礙了其在鋼表面缺陷圖像的有效應(yīng)用。

存在兩個問題

1.首先，對比學習中的固定對比度強度不適合鋼表面缺陷樣本的表示學習。

2.在強對比下，有利于鋼表面缺陷類間相似樣本的表示學習，

但不利于鋼表面缺陷類內(nèi)相似樣本[見圖1(a)]。

弱對比度與強對比度相反[見圖1(b)]。

這兩個極端對比強度會破壞缺陷樣本的潛在語義信息，從而降低學習表示的質(zhì)量

2.鋼表面缺陷的未標記數(shù)據(jù)不足，

與ImageNet[18]不同的是，ImageNet[18]可以為對比學習提供大量的未標記數(shù)據(jù)來學習更好的表示。

針對上述問題，給出解決方案

1.在 FiCo 中，設(shè)計了可變溫度判別來靈活調(diào)整鋼缺陷樣品之間的對比度強度。

還設(shè)計了特征重建（FR）來? ? 進一步調(diào)整對比度強度。

然而，GAN依賴于大量的訓練數(shù)據(jù)，由于鋼表面缺陷數(shù)據(jù)不足，容易出現(xiàn)模式崩潰[20]。

什么是 模式奔潰Mode collapse? 模式崩潰是指生成器只復(fù)制圖像，這對對比學習無效。

2.為了緩解鋼表面缺陷數(shù)據(jù)有限的模式崩潰，提出了DGAN。

在 DGAN 中，多個生成器的權(quán)重用于生成不同的圖像，為 FiCo 提供更多缺陷數(shù)據(jù)。

contribution?

1. 提出了一種新的對比學習框架FDCL，以克服現(xiàn)有的對比學習的兩個障礙，不能有效地應(yīng)用于鋼表面缺陷圖像:對比度不合適，未標記數(shù)據(jù)不足。它可以準確識別標記樣本較少的鋼表面缺陷。
2. iCo被提出用于鋼表面缺陷圖像的表示學習。與對比度強度固定的對比學習不同，FiCo使用設(shè)計的可變溫度判別和FR靈活調(diào)整對比度強度，提高學習表示的質(zhì)量。
3. 提出了一種名為 DGAN 的生成方法來補充未標記的數(shù)據(jù)。DGAN使用多個生成器權(quán)重來減輕模式崩潰并為 FiCo 生成不同的圖像，進一步提高了學習表示的質(zhì)量。
4. 在四個標準鋼表面缺陷數(shù)據(jù)集上進行了廣泛的實驗，以驗證所提方法的有效性。實驗結(jié)果表明，與最先進的方法相比，該方法有了顯著的改進。

下面給出論文鏈接，可以看看方法部分

Steel Defect Detection Based on Modified RetinaNet | IEEE Conference Publication | IEEE Xplore