student teacher anomaly detection

学生-教师异常检测

这是论文《Uninformed Students: Student-Teacher Anomaly Inspection with Discriminative Latent Embeddings》的实现。

如何使用

• 运行 mvtec_dataset.sh 脚本以下载并准备正确格式的 MVTec 数据集。这需要大约 5GB 的磁盘空间。

 ./mvtec_dataset.sh

• 数据文件夹现在应该可用。 data中的每个子文件夹都有一个类别的名称。让我们以地毯类别为例构建一个模型。

• （可选）运行 resnet18_training.py 脚本以在数据集上进一步训练 resnet18

 cd src
python3 resnet18_training.py --dataset carpet

• 运行 Teacher_training.py 在较小的神经网络上提取 resnet18 的知识。这将加快图像处理速度。该神经网络称为 Teacher，为图像的每个大小为 <patch_size> 的块输出 512 维描述向量。支持的 patch_size 值为：
  • size = 17，如果我们正在寻找小尺寸异常，则有效
  • size = 33，如果我们正在寻找中等大小的异常，则有效
  • size = 65，如果我们正在寻找大尺寸异常，则有效

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

• 运行 Students_training.py 以针对教师网络训练一组 M=3 的学生。学生的训练是在无异常数据集上完成的。我们期望它们在包含异常的图像中泛化能力较差

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

• 运行 anomaly_detection.py 以获取测试集的每个图像的异常图。使用学生预测的方差以及学生预测与教师预测之间的误差来计算异常图。

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

结果

更多结果可在/result文件夹下找到

表现

参考

原纸

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

MVTec 数据集论文

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

快速密集特征提取

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