spot diff 다운로드 - spot diff 소스 코드 다운로드

spot diff

기타 소스코드

다운로드

이상 탐지 및 분할을 위한 SPot-the-Difference 자가 지도 사전 훈련

Yang Zou, 정종헌, Latha Pemula, Dongqing Zhang, Onkar Dabeer.

소개

이 리포지토리에는 ECCV-2022 논문 "이상 탐지 및 세분화를 위한 SPot-the-Difference 자가 지도 사전 훈련"에 대한 리소스가 포함되어 있습니다. 현재 우리는 VisA(Visual Anomaly) 데이터세트를 출시하고 있습니다.

데이터 설명

VisA 데이터 세트에는 위 그림과 같이 12개의 서로 다른 개체에 해당하는 12개의 하위 집합이 포함되어 있습니다. 9,621개의 정상 샘플과 1,200개의 비정상 샘플이 포함된 10,821개의 이미지가 있습니다. 4개의 하위 집합은 트랜지스터, 커패시터, 칩 등을 포함하는 상대적으로 복잡한 구조를 가진 다양한 유형의 인쇄 회로 기판(PCB)입니다. 뷰에 여러 인스턴스가 있는 경우 캡슐, 양초, Macaroni1 및 Macaroni2의 4개 하위 집합을 수집합니다. Capsules와 Macaroni2의 인스턴스는 위치와 포즈가 크게 다릅니다. 또한 개체가 대략적으로 정렬된 캐슈, 츄잉껌, Fryum 및 파이프 프라이움을 포함한 4개의 하위 집합을 수집합니다. 변칙영상에는 긁힘, 찌그러짐, 색반점, 균열 등의 표면 결함과 잘못된 위치, 부품 누락 등의 구조적 결함 등 다양한 결함이 포함되어 있습니다.

물체	# 일반 샘플	# 이상 샘플	# 이상 클래스	객체 유형
PCB1	1,004	100	4	복잡한 구조
PCB2	1,001	100	4	복잡한 구조
PCB3	1,006	100	4	복잡한 구조
PCB4	1,005	100	7	복잡한 구조
캡슐	602	100	5	다중 인스턴스
양초	1,000	100	8	다중 인스턴스
마카로니스1	1,000	100	7	다중 인스턴스
마카로니스2	1,000	100	7	다중 인스턴스
캐슈	500	100	9	단일 인스턴스
껌	503	100	6	단일 인스턴스
프리움	500	100	8	단일 인스턴스
파이프 프라이엄	500	100	9	단일 인스턴스

데이터 다운로드

우리는 AWS S3에서 VisA 데이터 세트를 호스팅하고 있으며 이 URL을 통해 다운로드할 수 있습니다.

다운로드한 데이터의 데이터 트리는 다음과 같습니다.

VisA
| -- candle
| ----- | --- Data
| ----- | ----- | ----- Images
| ----- | ----- | -------- | ------ Anomaly 
| ----- | ----- | -------- | ------ Normal 
| ----- | ----- | ----- Masks
| ----- | ----- | -------- | ------ Anomaly 
| ----- | --- image_anno.csv
| -- capsules
| ----- | ----- ...

image_annot.csv는 각 이미지에 대해 이미지 수준 레이블과 픽셀 수준 주석 마스크를 제공합니다. 다중 클래스 마스크에 대한 id2class 맵 함수는 ./utils/id2class.py에서 찾을 수 있습니다. 여기서 일반 이미지에 대한 마스크는 공간을 절약하기 위해 저장되지 않습니다.

데이터 준비

원본 논문에 설명된 1-class, 2-class-highshot, 2-class-fewshot 설정을 준비하기 위해 ./utils/prepare_data.py를 사용하여 "./split_csv/"의 데이터 분할 파일에 따라 데이터를 재구성합니다. . 1-클래스 설정 준비를 위한 샘플 명령줄은 다음과 같습니다.

 python ./utils/prepare_data.py --split-type 1cls --data-folder ./VisA --save-folder ./VisA_pytorch --split-file ./split_csv/1cls.csv

개편된 1등급 설정의 데이터 트리는 다음과 같습니다.

VisA_pytorch
| -- 1cls
| ----- | --- candle
| ----- | ----- | ----- ground_truth
| ----- | ----- | ----- test
| ----- | ----- | ------- | ------- good 
| ----- | ----- | ------- | ------- bad 
| ----- | ----- | ----- train
| ----- | ----- | ------- | ------- good
| ----- | --- capsules
| ----- | --- ...

구체적으로 1클래스 설정을 위해 재구성된 데이터는 MVTec-AD의 데이터 트리를 따릅니다. 각 개체에 대한 데이터에는 세 개의 폴더가 있습니다.

일반 훈련 이미지를 포함하는 'train'
정상 및 변칙 테스트 이미지를 포함하는 '테스트'
비정상적인 이미지의 픽셀 수준 주석을 포함하는 'ground_truth'

원본 데이터세트의 다중 클래스 실측 분할 마스크는 이진 마스크로 다시 인덱싱됩니다. 여기서 0은 정상을 나타내고 255는 이상을 나타냅니다.

또한 prepare_data.py의 인수를 변경하여 비슷한 방법으로 2클래스 설정을 준비할 수 있습니다.

측정항목 계산

분류 및 세분화 지표를 계산하려면 ./utils/metrics.py를 참조하세요. 현지화 측정항목을 계산할 때 일반 샘플을 고려합니다. 이는 현지화에서 일반적인 샘플을 무시한 일부 다른 작업과 다릅니다.

소환

이 데이터세트가 프로젝트에 도움이 된다면 다음 논문을 인용해 주세요.

 @article { zou2022spot ,
  title = { SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation } ,
  author = { Zou, Yang and Jeong, Jongheon and Pemula, Latha and Zhang, Dongqing and Dabeer, Onkar } ,
  journal = { arXiv preprint arXiv:2207.14315 } ,
  year = { 2022 }
}