patchcore: Towards Total Recall in Industrial Anomaly Detection

patchcore论文地址简介略算法Locally aware patch features样本用xxx表示label定义：0是正常样本（nominal），1是异常样本（anomalous）。

yx∈{0 ... patchcore:TowardsTotalRecallinIndustrialAnomalyDetection 蜉蝣之翼❉ 于 2022-05-1217:23:46 发布 399 收藏 1 文章标签： 深度学习 计算机视觉 目标检测 版权声明：本文为博主原创文章，遵循CC4.0BY-SA版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/fuyouzhiyi/article/details/124725323 版权 patchcore论文地址 简介 略 算法 Locallyawarepatchfeatures 样本用 x x x表示label定义：0是正常样本（nominal），1是异常样本（anomalous）。

y x ∈ { 0 , 1 } y_x\in\{0,1\} yx​∈{0,1}训练阶段使用正常样本： ∀ x ∈ X N : y x = 0 {\forall}x\inX_N:y_x=0 ∀x∈XN​:yx​=0测试阶段样本: ∀ x ∈ X T : y x ∈ { 0 , 1 } {\forallx\inX_T:y_x\in\{0,1\}} ∀x∈XT​:yx​∈{0,1} patchcore使用在ImageNet上的预训练网络，用符号 ϕ \phi ϕ表示 符号 ϕ i j = ϕ j ( x i ) \phi_{ij}=\phi_j(x_i) ϕij​=ϕj​(xi​)表示第 i i i个样本 x i ∈ X x_i\inX xi​∈X在网络 ϕ \phi ϕ第 j j j层featuremap本文使用ResNet50最终输出的spatialresolutionblocks的第 j ∈ { 1 , 2 , 3 , 4 } j\in\{1,2,3,4\} j∈{1,2,3,4}层 采用网络最后几层输出会出现的问题： Firstly,itlosesmorelocalizednominalinformation[14].Asthetypesofanomaliesencounteredattesttimearenotknownapriori,thisbecomesdetrimentaltothedownstreamanomalydetectionperformance.verydeepandabstractfeaturesinImageNetpretrainednetworksarebiasedtowardsthetaskofnaturalimageclassification,whichhasonlylittleoverlapwiththecold-startindustrialanomalydetectiontaskandtheevaluateddataathand. 本文采用amemorybank M M M（在patchlevel），避免过多的偏向imageNet 记第 i i i张图片，第 j j j层的特征图为 ϕ i j ∈ R c × h × w \phi_{ij}\inR_{c\timesh\timesw} ϕij​∈Rc×h×w​特征图上的点用 ϕ i j ( h , w ) = ϕ j ( x i , h , w ) \phi_{ij}(h,w)=\phi_j(x_i,h,w) ϕij​(h,w)=ϕj​(xi​,h,w) eachpatch-representationoperatesonalargeenoughreceptivefieldsizetoaccountformeaningfulanomalouscontextrobusttolocalspatialvariations.本文采用感受野更大的patch（而不是特征图上的点） Thismotivatesalocalneighbourhoodaggregationwhencomposingeachpatch-levelfeaturerepresentationtoincreasereceptivefieldsizeandrobustnesstosmallspatialdeviationswithoutlosingspatialresolutionorusabilityoffeaturemaps. 记点 ( h , w ) (h,w) (h,w)周围的点集为：这个公式可以理解为以 ( h , w ) (h,w) (h,w)为中心，以 p p p为直径的正方形包围住的点那么围绕这些点计算的特征图上的点为locallyawarepatch-featurecollection可以表示为：其中stridingparameter：s最后PatchCorememorybank可以理解为所有训练集的图片上所有的点 ( h , w ) (h,w) (h,w)以这个点为中心计算它的邻居点集，得到的特征值这些特征值的集合作为PatchCorememorybank Coreset-reducedpatch-featurememorybank 根据上面计算的PatchCorememorybank直接用是不现实的，因为太大了。

所以需要计算一个 M C M_C MC​（小一点的）d代替 M M M什么样的子集能代替原来的集合呢？首先取任意一个子集 M C M_C MC​ 公式 min ⁡ ∣ ∣ m − n ∣ ∣ 2 \min||m-n||_2 min∣∣m−n∣∣2​的含义：计算集合 M M M中每一个点 m m m到子集 M C M_C MC​的距离（一般点到集合的距离，定义为该点到集合内所有点的最小距离）公式 max ⁡ \max max是指在 M M M中找到距离 M C M_C MC​最大的点最终求得距离集合 M M M最近的集合 M C ∗ M_C^* MC∗​ 具体的算法 AnomalyDetectionwithPatchCore 对于测试图片 x t e s t x^{test} xtest，计算测试图片的patch-feature得到 m t e s t m^{test} mtest和上面的过程一样，还是求集合 P ( x t e s t ) P(x^{test}) P(xtest)到集合 M M M的距离，标记距离的两个点为 m t e s t , ∗ ∈ P ( x t e s t ) , m ∗ ∈ M m^{test,*}\inP(x^{test}),m^*\inM mtest,∗∈P(xtest),m∗∈M解释 公式 arg min ⁡ ∣ ∣ m t e s t − m ∣ ∣ \argmin||m^{test}-m|| argmin∣∣mtest−m∣∣计算的是点 m t e s t m^{test} mtest到集合 M M M的距离然后找到距离最远的点 m t e s t , ∗ m^{test,*} mtest,∗ 计算分数 N ( m ) N(m) N(m)是指 m ∗ m^* m∗的最近邻点集，这里实际上是计算了一个softmax 蜉蝣之翼❉ 关注 关注 3 点赞 踩 0 评论 1 收藏 打赏 扫一扫，分享内容 点击复制链接 异常检测(四):TowardsTotalRecallinIndustrialAnomalyDetection shuaijieer的博客 09-22 1721 这是在MVTecAD数据集上排名第一的论文,其检测准确率和分割准确率分别达到了99.1%和98.1% 【摘要】 在大规模的工业制造中，检测出有缺陷的部分是至关重要的环节，基于正常的无缺陷图像来拟合模型。

尽管为每个类别手动设置解决方案是可能的，但目标是构建一个系统能同时自动在许多不同类别任务上效果良好。

最好的方法是将ImageNet模型的嵌入向量和异常检测模型相结合。

本文中，我们扩展这一工作，提出了PathCore,其使用正常的块特征的最具代表性的记忆存储库。

PatchCore提供了有竞争力的推理时间，. anomaly_detection_sport_video:在运动视频数据中检测异常铲球 03-11 anomaly_detection_sport_video 在运动视频数据中检测异常铲球 参与评论 您还未登录，请先 登录 后发表或查看评论 异常检测(三)：PaDiM:aPatchDistributionModelingFrameworkforAnomalyDetectionandLocalization shuaijieer的博客 04-12 1072 PaDiM:aPatchDistributionModelingFrameworkforAnomalyDetectionandLocalization 摘要 我们提出了一个新的Patch分布建模框架，PaDiM，在单类学习中同时检测和定位图像中的异常，PaDiM利用一个预先训练好的卷积神经网络(CNN)进行patch嵌入，利用多元高斯分布得到正态类的概率表示。

它还利用了CNN的不同语义级别之间的相关性来更好地定位异常。

PaDiM在MVTecAD和STC数据集上的异常检测和定位方面优于当 《Opprentice:TowardsPracticalandAutomaticAnomalyDetectionThroughMachineLearning》笔记 weixin_30340775的博客 05-05 349 以下我为这篇《Opprentice:TowardsPracticalandAutomaticAnomalyDetectionThroughMachineLearning》做的阅读笔记-Jeanva ABSTRACT However,eventhoughdozensofanomalydetectorshavebeenproposedoverthe... Towardsfastandlightweightspamaccountdetectioninmobilesocialnetworksthroughfogcomputing 02-07 Towardsfastandlightweightspamaccountdetectioninmobilesocialnetworksthroughfogcomputing PatchCore_anomaly_detection-main.zip 09-11 “TowardsTotalRecallinIndustrialAnomalyDetection”在MVtec数据集上排名第一的方法，是基于pytorch实现的，非官方源码，简称“PatchCore” 备用：DijkstraC++实现 weixin_44182138的博客 11-05 50 typedefstruct{ intdistance,path; boolvisited; }Grap; typedefstruct{ intto,cost; }Edge; GrapG[maxn]; vectorE[maxn]; voidDijkstra(Grap*G,intS,intT) { G[S].distance=0; heap.insert(S); while(!heap.empty()) { intV=heap. 计算机视觉论文-2021-06-16 中科院AI算法工程师的博客 06-21 645 本专栏是计算机视觉方向论文收集积累，时间：2021年6月16日，来源：paperdigest 欢迎关注原创公众号【计算机视觉联盟】，回复【西瓜书手推笔记】可获取我的机器学习纯手推笔记！ 直达笔记地址：机器学习手推笔记（GitHub地址） 1,TITLE:AValue-Function-basedInterior-pointMethodforNon-convexBi-levelOptimization AUTHORS:RishengLiu;XuanLiu;... (UnsupervisedAnomalyDetection)无监督异常检测领域最新研究进展-Part3基于嵌入的方法（1）【持续更新...】 要相信光 12-08 5235 文章目录前言1.基于DeepSVDD1.1DeepSVDD2.基于SPADE2.1SPADE(CVPR2021) 前言 异常检测领域中，基于嵌入的方法指的是：将图像送入模型，提取特征，并在对应的特征空间中学习分界面。

与重构方法的主要不同在于，其不在RGB图像空间而是在高维的特征空间中进行异常检测；与自监督的方法不同，不过于依赖额外的负样本的构造/代理任务的设计，主要考虑的特征空间中的差异。

1.基于DeepSVDD 1.1DeepSVDD 2.基于SPADE 2.1SPADE Anomaly-detection-with-DBSCAN:使用自定义DBSCAN实施进行异常检测 04-16 DBSCAN异常检测 这是一种受DBScan算法启发的简单算法，但由于DBScan是随机启动的，因此适用于按顺序分析数据。

使用的数据集是一些Yahoo公开数据集，其中包含有关给定时间的Yahoo服务器的信息。

例如，在夜间，由于可能没有活动的用户，服务器的负载较少，但是在白天，由于用户处于活动状态，服务器的负载可能非常大。

主要目标是防止和识别系统异常。

该算法接收三个参数：需要训练的数据集，epsilon和minPts。

在本示例中，将minPts与值1一起使用是因为存在一个单一维度，并且算法从点到点移动并测量其值之间的距离。

最重要的参数是epsilon，因为它是算法测量新的簇或保持当前簇的阈值，当算法测量两个连续点之间的欧几里得距离时。

存在在线学习，因为当算法训练数据时，他能够同时识别出哪些点异常，因此它知道如何处理随机数据。

最具挑战性的部分是找到epsilon的最佳值 A_Deep_One-class_Model_for_Network_Anomaly_Detecti.pdf 08-29 Abstract:Weusethestackedautoencoderstoselecttheprominentfeaturesfromtherawcollecteddata,thenapplytheone-classclassificationalgorithmsupportvectordatadescriptiontotrainaclassifiertoidentifythenetworktrafficintonormaldataandanomalousdata. Few-Shot-Protypical-Anomaly-Detection 04-02 少数镜头典型异常检测 异常检测(五):DRAEM--Adiscriminativelytrainedreconstructionembeddingforsurfaceanomalydetection shuaijieer的博客 10-26 624 哎，这篇文章和我们现在做的工作很像 人工智能|ShowMeAI资讯日报#2022.06.01 最新发布 ShowMeAI的博客 06-07 2808 ShowMeAI资讯日报2022-06-01期，AI领域【工具&框架】【项目&代码】【博文&分享】【数据&资源】【研究&论文】最新动态关键词：数据标注、人脸识别、对话系统、对话数据集…点击阅读全文 DefectDetection论文合集、代码和数据集 海里的羊的博客 03-08 3606 文章目录2019ONLINEPCBDEFECTDETECTORONANEWPCBDEFECTDATASET2020PCBDefectDetectionUsingDenoisingConvolutionalAutoencoders 2019 ONLINEPCBDEFECTDETECTORONANEWPCBDEFECTDATASET code:https://github.com/tangsanli5201/DeepPCB 摘要：以往基于图像差分和图像处理技术 异常检测论文概述：SDFVAE:StaticandDynamicFactorizedVAEforAnomalyDetection 08-07 2021异常检测论文ppt 2021-7论文阅读[PatchScope:MemoryObjectCentricPatchDiffing] Asensio_20的博客 08-06 64 0.前言 这应该是七月份阅读的最后一篇论文了，这篇论文所讲的东西我之前几乎没有接触过，因此我会尽己所能的去读懂它，介绍他。

首先，这是一篇关于补丁(patch)分析的文章，补丁包含了很大的信息量，对于构成热补丁，程序输入过滤等具有很好的参考价值。

然而，解开补丁的神秘面纱，是一件十分困难的事情，开发者通常发布的是二进制程序补丁而非代码补丁，这就使我们很难寻找到与补丁相关的代码修改，更别说对补丁进行细节分析了。

那么之前有什么技术用来分析补丁呢：binarydiffing，其基本思想是定义一种代码相似性 E66软件\Total.Recall.v2.1.1.Datecode.050608.S60v3.SymbianOS9.1.Unsigned.CHS-KAYGU.zip 03-08 E66软件\Total.Recall.v2.1.1.Datecode.050608.S60v3.SymbianOS9.1.Unsigned.CHS-KAYGU.zip “相关推荐”对你有帮助么？ 非常没帮助 没帮助 一般 有帮助 非常有帮助 提交 ©️2022CSDN 皮肤主题：深蓝海洋 设计师：CSDN官方博客 返回首页 蜉蝣之翼❉ CSDN认证博客专家 CSDN认证企业博客 码龄7年 暂无认证 131 原创 7045 周排名 1万+ 总排名 10万+ 访问 等级 2086 积分 305 粉丝 65 获赞 31 评论 233 收藏 私信 关注 热门文章 pix2pixHD代码解析 13631 Solvingenvironment:failedInvalidVersionSpecError:Invalidversionspec:=2.7 5516 cityscapes数据集使用的一点点经验 4227 TensorFlow读取自己的数据集 4179 UniversalDomainAdaptation通用域自适应笔记 3565 分类专栏 qt 36篇 web3.0 3篇 C++查漏补缺 5篇 C++ 19篇 计算机网络 2篇 python 1篇 计算机视觉 4篇 迁移学习 13篇 语义分割 5篇 论文笔记 6篇 软件安装 2篇 数据集 3篇 pytorch 7篇 英语 3篇 细粒度 1篇 最新评论 C++primer查漏补缺三：初始化 github-3rr0r: 写的很详细，学习了 qtQGraphicsView绘制多种图形 蜉蝣之翼❉: https://download.csdn.net/download/fuyouzhiyi/85634347?spm=1001.2014.3001.5501 qtQGraphicsView绘制多种图形 swimmingboy: [email protected]，可以发给我吗，感谢 qtQGraphicsView绘制多种图形 swimmingboy: 有完整源码吗，最近在学习2D绘图，想借鉴一下 qt子窗口向父窗口发送信息 蜉蝣之翼❉: 你是哪里不会 您愿意向朋友推荐“博客详情页”吗？ 强烈不推荐 不推荐 一般般 推荐 强烈推荐 提交 最新文章 QT自定义开关效果的按钮 solidity入门 C++primer查漏补缺六：左值和右值 2022 07月 7篇 06月 12篇 05月 9篇 04月 5篇 03月 4篇 02月 1篇 01月 11篇 2021年43篇 2020年1篇 2019年32篇 2018年20篇 目录 目录 分类专栏 qt 36篇 web3.0 3篇 C++查漏补缺 5篇 C++ 19篇 计算机网络 2篇 python 1篇 计算机视觉 4篇 迁移学习 13篇 语义分割 5篇 论文笔记 6篇 软件安装 2篇 数据集 3篇 pytorch 7篇 英语 3篇 细粒度 1篇 目录 打赏作者 蜉蝣之翼❉ 你的鼓励将是我创作的最大动力 ¥2 ¥4 ¥6 ¥10 ¥20 输入1-500的整数 余额支付 (余额：--) 扫码支付 扫码支付：¥2 获取中 扫码支付 您的余额不足，请更换扫码支付或充值 打赏作者 实付元 使用余额支付 点击重新获取 扫码支付 钱包余额 0 抵扣说明： 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。

2.余额无法直接购买下载，可以购买VIP、C币套餐、付费专栏及课程。

余额充值