-
题名面向工业品缺陷检测的对比表示学习
- 1
-
-
作者
罗航宇
王小平
梅萌
赵文豪
刘思纯
-
机构
同济大学电子与信息工程学院
-
出处
《计算机科学》
北大核心
2025年第1期210-220,共11页
-
基金
国家重点研发计划(2022YFB4300504-4)。
-
文摘
在大规模制造业中,缺陷检测旨在发现有缺陷的零部件,如损坏、错位的和存在印刷错误的部件等。由于缺陷类型未知以及缺陷样本短缺,工业品缺陷检测面临着极大的挑战。为克服上述困难,一些方法利用来自自然图像数据集的通用视觉表示,提取广义特征来进行缺陷检测。然而,提取到的预训练特征与目标数据之间存在分布差异,直接使用该特征会导致检测性能不佳。因此,提出了一种基于对比表示学习的方法ConPatch。该方法采用对比表示学习来收集相似特征或者分离不相似特征,从而学习面向目标的特征表示。为了解决缺乏缺陷标注的问题,将数据表示之间的两种相似性度量即成对相似度和全局相似度作为伪标签。此外,采用了轻量化的内存库,仅将全部正常样本即全部无缺陷样本的特征中心存储到内存库中,从而减小了空间复杂度和内存库的尺寸。最后,将正常特征拉近至一个超球面内,而缺陷特征则分布在超球面外,以此来聚集正常特征。实验结果显示,在工业品缺陷检测数据集MVTec AD中,基于Wide-ResNet50的ConPatch模型的I-AUROC和P-AUROC分别达到99.35%和98.26%。在VisA数据集中,ConPatch模型的I-AUROC和P-AUROC分别达到95.50%和98.21%。上述结果验证了模型的有效性。
-
关键词
工业品缺陷检测
对比表示学习
相似性度量
内存库
超球面
-
Keywords
Industrial product defect detection
Contrastive representation learning
Similarity measure
Memory bank
Hype-rsphere
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于互信息自适应的多模态实体对齐方法
被引量：1
- 2
-
-
作者
高永杰
党建武
张希权
郑爱国
-
机构
兰州交通大学光电技术与智能控制教育部重点实验室
兰州交通大学电子与信息工程学院
轨道交通信息与控制国家级虚拟仿真教学中心
中国铁路北京局集团有限公司天津电务段
-
出处
《计算机应用研究》
北大核心
2025年第1期106-110,共5页
-
基金
国家自然科学基金资助项目(62067006,62367005)
中央引导地方科技发展资金资助项目(332140068864)
甘肃省高校科研创新平台重大培育项目(2024CXPT-17)。
-
文摘
多模态实体对齐是知识融合过程中的关键一步,但异构的多模态知识图谱拥有较大的结构差异性,并且其多模态信息存在不完全性,利用当前的多模态实体对齐方法无法取得较好的对齐效果。针对上述问题,提出了基于互信息自适应的多模态实体对齐方法。一方面通过设计自适应融合机制来减小模态差异以及依据模态信息的贡献程度动态分配权重,另一方面引入互信息作为附加特征来强化实体的特征表示,最后利用实体相似度计算来进行实体对齐。实验表明,在5个通用的数据集上,MAMEA相较于当前基线模型,指标hits@1最大可提升1.8%,最小可提升1.4%,指标MRR最大可提升1.4%,最小可提升0.8%,证明了该模型可有效地提升多模态实体对齐的效果。
-
关键词
多模态知识图谱
实体对齐
自适应特征融合
对比表示学习
互信息
-
Keywords
multimodal knowledge graph
entity alignment
adaptive feature fusion
contrastive representation learning
mutual information
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
