student teacher anomaly detection

Deteksi anomali Siswa-Guru

Ini adalah implementasi dari makalah Siswa yang Belum mendapat Informasi: Deteksi Anomali Siswa-Guru dengan Penyematan Laten Diskriminatif.

Cara menggunakan

• Jalankan skrip mvtec_dataset.sh untuk mengunduh dan menyiapkan kumpulan data MVTec dalam format yang benar. Ini membutuhkan ruang disk sekitar 5GB.

 ./mvtec_dataset.sh

• Folder data seharusnya sudah tersedia sekarang. Setiap subfolder dalam data memiliki nama kategori. Mari kita buat model untuk kategori karpet sebagai contoh.

• (Opsional) Jalankan skrip resnet18_training.py untuk melatih resnet18 lebih lanjut pada kumpulan data Anda

 cd src
python3 resnet18_training.py --dataset carpet

• Jalankan teacher_training.py untuk menyaring pengetahuan resnet18 pada jaringan saraf yang lebih kecil. Ini akan mempercepat pemrosesan gambar. Jaringan saraf ini, yang disebut Teacher, mengeluarkan vektor deskripsi 512 dimensi untuk setiap patch berukuran <patch_size> gambar. Nilai patch_size yang didukung adalah:
  • size = 17, efektif jika kita mencari anomali ukuran kecil
  • size = 33, efektif jika kita mencari anomali ukuran sedang
  • size = 65, efektif jika kita mencari anomali ukuran besar

 cd src
python3 teacher_training.py --dataset carpet --patch_size 33 

• Jalankan Students_training.py untuk melatih sekumpulan M=3 siswa terhadap jaringan guru. Pelatihan siswa dilakukan pada kumpulan data bebas anomali. Kami memperkirakan mereka akan melakukan generalisasi yang buruk pada gambar yang mengandung anomali

 cd src
python students_training.py --dataset carpet --patch_size 33 --n_students 3

• Jalankan anomaly_detection.py untuk mendapatkan peta anomali untuk setiap gambar set pengujian. Peta anomali dihitung menggunakan varians prediksi Siswa dan kesalahan antara prediksi Siswa dan Guru.

 cd src
python anomaly_detection.py --dataset carpet --patch_size 33 --n_students 3

Hasil

Dan hasil lainnya tersedia di folder /result

Pertunjukan

Referensi

Kertas asli

• https://arxiv.org/pdf/1911.02357v2.pdf

Kertas kumpulan data MVTec

• https://openaccess.thecvf.com/content_CVPR_2019/papers/Bergmann_MVTec_AD_--_A_Comprehensive_Real-World_Dataset_for_Unsupervised_Anomaly_CVPR_2019_paper.pdf

Ekstraksi Fitur Padat Cepat

• https://www.dfki.de/fileadmin/user_upload/import/9245_FastCNNFeature_BMVC.pdf
• https://github.com/erezposner/Fast_Dense_Feature_Extraction