student teacher anomaly detection

學生-教師異常檢測

這是論文《Uninformed Students: Student-Teacher Anomaly Inspection with Discriminative Latent Embeddings》的實現。

如何使用

• 執行 mvtec_dataset.sh 腳本以下載並準備正確格式的 MVTec 資料集。這需要大約 5GB 的磁碟空間。

 ./mvtec_dataset.sh

• 資料資料夾現在應該可用。 data中的每個子資料夾都有一個類別的名稱。讓我們以地毯類別為例建構一個模型。

• （可選）運行 resnet18_training.py 腳本以在資料集上進一步訓練 resnet18

 cd src
python3 resnet18_training.py --dataset carpet

• 運行 Teacher_training.py 在較小的神經網路上提取 resnet18 的知識。這將加快影像處理速度。此神經網路稱為 Teacher，為圖像的每個大小為 <patch_size> 的區塊輸出 512 維描述向量。支援的 patch_size 值為：
  • size = 17，如果我們正在尋找小尺寸異常，則有效
  • size = 33，如果我們正在尋找中等大小的異常，則有效
  • size = 65，如果我們正在尋找大尺寸異常，則有效

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

• 執行 Students_training.py 以針對教師網路訓練一組 M=3 的學生。學生的訓練是在無異常資料集上完成的。我們期望它們在包含異常的圖像中泛化能力較差

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

• 執行 anomaly_detection.py 以取得測試集的每個影像的異常圖。使用學生預測的變異數以及學生預測與教師預測之間的誤差來計算異常圖。

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

結果

更多結果可在/result資料夾下找到

表現

參考

原紙

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

MVTec 資料集論文

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

快速密集特徵提取

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