dfda-ad : یک رویکرد با معماری استخراج ویژگی دوگانه و سازوکار توجه دوگانه برای تشخیص ناهنجاری در تصاویر

تشخیص و مکان یابی ساختارهای ناخواسته و یا ناهنجاری درون تصویر یکی از مسائل مهم در بینایی ماشین و بازرسی صنعتی است. پیچیدگی و متغیر بودن توزیع داده ها و نبود داده های برچسب دار از چالش های تشخیص ناهنجاری در تصاویر است. در سال های اخیر روش های یادگیری عمیق نتایج امیدوارکننده ای برای حل مسائل تشخیص ناهنجاری در انواع داده و بخصوص در تصویر ارائه داده اند. در این مقاله معماری dfda-ad که رویکردی بدون نظارت و مبتنی بر یادگیری عمیق است برای تشخیص ناهنجاری در تصاویر صنعتی پیشنهاد شده است. dfda-ad شامل استخراج دوگانه ویژگی از تصاویر توسط شبکه های از پیش آموزش دیده densenet121 و resnet50 است. دو سازوکار توجه در این مقاله بهبود و توسعه داده شده که نقشه ی ویژگی های مهم تر را برای خوشه بندی توسط الگوریتم k-means فراهم می کنند. ارزیابی عملکرد مدل بر روی مجموعه داده ی mvtec ad صورت پذیرفت که نتایج ارزیابی ها برای تشخیص و همچنین مکان یابی ناهنجاری در مقایسه با چندین رویکرد دیگر که اخیراً پیشنهاد شده اند، رضایت بخش بود.

dfda-ad: an approach with dual feature extraction architecture and dual attention mechanism for image anomaly detection

detecting and locating unwanted structures or anomalies in the image is one of the important issues in machine vision and industrial inspection. the complexity and variability of data distribution and the lack of labeled data are among the challenges of detecting anomalies in images. in recent years, deep learning methods have provided promising results for solving anomaly detection problems in any data types, especially in images. in this paper, the dfda-ad architecture, which is an unsupervised approach based on deep learning, is proposed for anomaly detection in industrial images. dfda-ad consists of dual feature extraction from images by pre-trained densenet121 and resnet50 networks. two attention mechanisms are improved and developed in this paper, which provide more important feature maps for clustering by k-means algorithm. the evaluation of the model’s performance was done on the mvtec ad data set, and the results of the evaluations for anomaly detection and localization were satisfactory compared to several other approaches that have been recently proposed.