spot diff下載 - spot diff原始碼下載

spot diff

其他源碼

下載

用於異常檢測和分割的 SPot-the-Difference 自我監督預訓練

鄒陽、Jongheon Jeong、Latha Pemula、張冬青、Onkar Dabeer。

介紹

該儲存庫包含我們的 ECCV-2022 論文「SPot-the-Difference Self-Supervised Pre-training for Anomaly Inspection and Segmentation」的資源。目前我們發布了視覺異常（VisA）資料集。

數據說明

VisA資料集包含12個子集，對應12個不同的對象，如上圖所示。有 10,821 張圖像，其中 9,621 個正常樣本和 1,200 個異常樣本。四個子集是不同類型的印刷電路板（PCB），其結構相對複雜，包含電晶體、電容器、晶片等。 Capsules 和 Macaroni2 中的實例在位置和姿勢上有很大不同。此外，我們收集了四個子集，包括腰果、口香糖、薯條和管道炸薯條，其中物件大致對齊。異常影像包含各種缺陷，包括刮痕、凹痕、色斑或裂縫等表面缺陷，以及錯位或缺失零件等結構缺陷。

目的	# 正常樣本	# 異常樣本	# 異常類	物件類型
印刷電路板1	1,004	100	4	結構複雜
PCB2	1,001	100	4	結構複雜
PCB3	1,006	100	4	結構複雜
PCB4	1,005	100	7	結構複雜
膠囊	602	100	5	多個實例
蠟燭	1,000	100	8	多個實例
通心粉1	1,000	100	7	多個實例
通心粉2	1,000	100	7	多個實例
腰果	500	100	9	單一實例
口香糖	503	100	6	單一實例
弗留姆	500	100	8	單一實例
管道弗里姆	500	100	9	單一實例

資料下載

我們將 VisA 資料集託管在 AWS S3 中，您可以透過此 URL 下載它。

下載資料的資料樹如下。

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

image_annot.csv 為每個影像提供影像級標籤和像素級註解遮罩。多類別遮罩的 id2class 映射函數可以在 ./utils/id2class.py 中找到，這裡不儲存普通影像的遮罩以節省空間。

資料準備

為了準備原始論文中描述的 1-class、2-class-highshot、2-class-fewshot 設置，我們使用 ./utils/prepare_data.py 按照「./split_csv/」中的資料分割檔案重新組織資料。我們給出了用於 1 級設定準備的範例命令列，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

重組後的1級設定的資料樹如下。

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

具體來說，1 級設定的重組資料遵循 MVTec-AD 的資料樹。對於每個對象，資料具有三個資料夾：

“train”，其中包括正常的訓練圖像
“測試”，包括正常和異常測試圖像
“ground_truth”，其中包含異常影像的像素級註釋

請注意，原始資料集中的多類真實分割遮罩被重新索引為二進位遮罩，其中 0 表示正常，255 表示異常。

此外，可以透過更改prepare_data.py 的參數以類似的方式準備2 類設定。

指標計算

要計算分類和分段指標，請參閱./utils/metrics.py。請注意，我們在計算本地化指標時考慮了正常樣本。這與其他一些忽略本地化正常樣本的作品不同。

引文

如果該資料集對您的專案有幫助，請引用以下論文：

 @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 }
}