spot diff下载 - spot diff源代码下载

spot diff

其他源码

下载

用于异常检测和分割的 SPot-the-Difference 自监督预训练

邹阳、Jongheon Jeong、Latha Pemula、张冬青、Onkar Dabeer。

介绍

该存储库包含我们的 ECCV-2022 论文“SPot-the-Difference Self-Supervised Pre-training for Anomaly Inspection and Segmentation”的资源。目前我们发布了视觉异常（VisA）数据集。

数据说明

VisA数据集包含12个子集，对应12个不同的对象，如上图所示。有 10,821 张图像，其中 9,621 个正常样本和 1,200 个异常样本。四个子集是不同类型的印刷电路板（PCB），其结构相对复杂，包含晶体管、电容器、芯片等。对于视图中多个实例的情况，我们收集四个子集：Capsules、Candles、Macaroni1 和 Macaroni2。 Capsules 和 Macaroni2 中的实例在位置和姿势上有很大不同。此外，我们收集了四个子集，包括腰果、口香糖、炸薯条和管道炸薯条，其中对象大致对齐。异常图像包含各种缺陷，包括划痕、凹痕、色斑或裂纹等表面缺陷，以及错位或缺失部件等结构缺陷。

目的	# 正常样本	# 异常样本	# 异常类	对象类型
印刷电路板1	1,004	100	4	结构复杂
PCB2	1,001	100	4	结构复杂
PCB3	1,006	100	4	结构复杂
PCB4	1,005	100	7	结构复杂
胶囊	602	100	5	多个实例
蜡烛	1,000	100	8	多个实例
通心粉1	1,000	100	7	多个实例
通心粉2	1,000	100	7	多个实例
腰果	500	100	9	单实例
口香糖	503	100	6	单实例
弗留姆	500	100	8	单实例
管道弗里姆	500	100	9	单实例

资料下载

我们将 VisA 数据集托管在 AWS S3 中，您可以通过此 URL 下载它。

下载数据的数据树如下。

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

image_annot.csv 为每个图像提供图像级标签和像素级注释掩码。多类掩码的 id2class 映射函数可以在 ./utils/id2class.py 中找到，这里不存储普通图像的掩码以节省空间。

数据准备

为了准备原始论文中描述的 1-class、2-class-highshot、2-class-fewshot 设置，我们使用 ./utils/prepare_data.py 按照“./split_csv/”中的数据分割文件重新组织数据。我们给出了用于 1 级设置准备的示例命令行，如下所示。

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

重组后的1级设置的数据树如下。

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

具体来说，1 级设置的重组数据遵循 MVTec-AD 的数据树。对于每个对象，数据具有三个文件夹：

“train”，其中包括正常的训练图像
“测试”，包括正常和异常测试图像
“ground_truth”，其中包括异常图像的像素级注释

请注意，原始数据集中的多类真实分割掩码被重新索引为二进制掩码，其中 0 表示正常，255 表示异常。

此外，可以通过更改prepare_data.py 的参数以类似的方式准备2 类设置。

指标计算

要计算分类和分段指标，请参阅./utils/metrics.py。请注意，我们在计算本地化指标时考虑了正常样本。这与其他一些忽略本地化正常样本的作品不同。

引文

如果该数据集对您的项目有帮助，请引用以下论文：

 @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 }
}