sabrinalx的博客

motivation：现有的语义分割网络都是基于CNN网络的，因为CNN网络本身结构的原因，使得每个像素点能够获取到的信息都局限于卷积核涉及到的局部范围，没有利用到上下文环境的语义信息，而这些全局的语义信息对分割的预测是非常有帮助的创新点：（1）提出了PSANet,它可以为特征图中的每个点都收集来自全图其他所有点的信息（2）这些信息会根据位置的不同自适应学习和其他位置信息的一个相互作用（3）信息的流动是双向的，既有收集其他店的信息也有将信息分布到其他点的过程，对应文中说的一个是其他点如何帮助当前点进

中心思想：基于正样本而不需要缺陷样本的表面缺陷检测方法motivation：（1）训练样本中缺乏缺陷样本，获取比较困难，而且缺陷的种类多种多样，通过缺陷样本进行监督的学习方法达不到要求的准确率（2）人工标注非常的昂贵方法：（1）人为的在正样本上随机产生缺陷（2）用自编码器对人造的缺陷样本进行修复（3）利用GAN网络区分源样本和修复样本测试：（1）将输入数据通过自编码器进行修复（2）用LBP方法提取输入数据和修复数据的特征（3）特征差异较大的地方就是缺陷所在地方网络结构图如下：...