student teacher anomaly detection

การตรวจหาความผิดปกติของนักเรียน-ครู

นี่คือการดำเนินการตามรายงานของ Uninformed Students: Student–Teacher Anomaly Detection with Discriminative Latent Embeddings

วิธีใช้

• เรียกใช้สคริปต์ mvtec_dataset.sh เพื่อดาวน์โหลดและเตรียมชุดข้อมูล MVTec ในรูปแบบที่ถูกต้อง ต้องใช้พื้นที่ดิสก์ประมาณ 5GB

 ./mvtec_dataset.sh

• โฟลเดอร์ ข้อมูล ควรจะพร้อมใช้งานในขณะนี้ แต่ละโฟลเดอร์ย่อยใน ข้อมูล มีชื่อของหมวดหมู่ ให้เราสร้างแบบจำลองสำหรับ พรม ประเภทต่างๆ เป็นตัวอย่าง

• (ไม่บังคับ) เรียกใช้สคริปต์ resnet18_training.py เพื่อฝึก resnet18 เพิ่มเติมบนชุดข้อมูลของคุณ

 cd src
python3 resnet18_training.py --dataset carpet

• เรียกใช้ teacher_training.py เพื่อกลั่นกรองความรู้เกี่ยวกับ resnet18 บนโครงข่ายประสาทเทียมขนาดเล็ก สิ่งนี้จะเร่งการประมวลผลภาพให้เร็วขึ้น โครงข่ายประสาทเทียมนี้เรียกว่า Teacher โดยส่งสัญญาณเวกเตอร์คำอธิบาย 512 มิติสำหรับแต่ละแพทช์ที่มีขนาด <patch_size> ของรูปภาพ ค่า patch_size ที่รองรับคือ:
  • ขนาด = 17 มีผลหากเรากำลังมองหาความผิดปกติขนาดเล็ก
  • ขนาด = 33 มีผลหากเรากำลังมองหาความผิดปกติขนาดกลาง
  • size = 65 มีผลหากเรากำลังมองหาความผิดปกติขนาดใหญ่

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

• เรียกใช้ students_training.py เพื่อฝึกอบรมนักเรียน M=3 ชุดกับเครือข่ายครู การฝึกอบรมนักเรียนเสร็จสิ้นบนชุดข้อมูลที่ปราศจากความผิดปกติ เราคาดหวังให้พวกเขาสรุปภาพที่มีความผิดปกติได้ไม่ดี

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

• เรียกใช้ anomaly_detection.py เพื่อรับแผนที่ความผิดปกติสำหรับรูปภาพแต่ละภาพของชุดทดสอบ แผนที่ความผิดปกติคำนวณโดยใช้ความแปรปรวนของการทำนายของนักเรียนและข้อผิดพลาดระหว่างการทำนายของนักเรียนกับครู

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

ผลลัพธ์

และผลลัพธ์เพิ่มเติมมีอยู่ในโฟลเดอร์ /result

ผลงาน

อ้างอิง

กระดาษต้นฉบับ

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

กระดาษชุดข้อมูล MVTec

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

การสกัดคุณลักษณะที่หนาแน่นอย่างรวดเร็ว

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