student teacher anomaly detection

학생-교사 이상 탐지

이는 정보가 없는 학생: 차별적 잠재 임베딩을 사용한 학생-교사 이상 탐지 논문의 구현입니다.

사용방법

• mvtec_dataset.sh 스크립트를 실행하여 MVTec 데이터 세트를 올바른 형식으로 다운로드하고 준비하십시오. 약 5GB의 디스크 공간이 필요합니다.

 ./mvtec_dataset.sh

• 이제 데이터 폴더를 사용할 수 있습니다. 데이터 의 각 하위 폴더에는 카테고리 이름이 있습니다. 예를 들어 카펫 카테고리에 대한 모델을 구축해 보겠습니다.

• (선택 사항) resnet18_training.py 스크립트를 실행하여 데이터 세트에 대해 resnet18을 추가로 학습시킵니다.

 cd src
python3 resnet18_training.py --dataset carpet

• 더 작은 신경망에서 resnet18에 대한 지식을 추출하려면 Teacher_training.py를 실행하세요. 이렇게 하면 이미지 처리 속도가 빨라집니다. Teacher라고 불리는 이 신경망은 이미지의 <patch_size> 크기의 각 패치에 대해 512차원 설명 벡터를 출력합니다. 지원되는 patch_size 값은 다음과 같습니다.
  • size = 17, 작은 크기 이상을 찾는 경우 효과적입니다.
  • size = 33, 중간 크기의 예외를 찾는 경우 효과적입니다.
  • size = 65, 큰 크기의 예외를 찾는 경우 효과적입니다.

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

• Students_training.py를 실행하여 교사 네트워크에 대해 M=3 학생 세트를 훈련합니다. 학생들의 훈련은 이상이 없는 데이터 세트에서 수행됩니다. 이상이 포함된 이미지에서는 일반화가 제대로 이루어지지 않을 것으로 예상됩니다.

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

• anomaly_Detection.py를 실행하여 테스트 세트의 각 이미지에 대한 이상 맵을 얻습니다. 이상 맵은 학생 예측의 분산과 학생 예측과 교사 간의 오류를 사용하여 계산됩니다.

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

결과

/result 폴더에서 더 많은 결과를 확인할 수 있습니다.

성능

참고자료

원본 종이

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

MVTEC 데이터세트 문서

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

빠른 밀도의 특징 추출

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