【异常检测】【PaDiM】论文简单梳理与代码实现

已于 2022-11-10 14:02:15 修改
阅读量2.4k 收藏 19
点赞数 3
分类专栏： # 异常检测 文章标签： 深度学习 计算机视觉 人工智能
于 2022-11-03 10:53:07 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.youkuaiyun.com/weixin_39190382/article/details/127557638
版权

every blog every motto: There’s only one corner of the universe you can be sure of improving, and that’s your own self.
https://blog.youkuaiyun.com/weixin_39190382?spm=1010.2135.3001.5343

0. 前言

相比之前的SPADE又进了一步，还是很不错的一篇文章

1. 正文

论文： https://arxiv.org/abs/2011.08785
时间： 2020
作者： Thomas Defard, Aleksandr Setkov, Angelique Loesch, Romaric Audigier
单位： Universite Paris-Saclay

1.1 整理流程

在这里插入图片描述
结果：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization基于特征建模的异常检测方法
m0_69023065的博客
10-23 874
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
PaDiM代码详解 | PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
weixin_42355902的博客
06-17 1952
M(Xij)可以解释为嵌入xij的测试块与学习分布N(µij，Σij)之间的距离，马氏距离实际上是欧氏距离在多变量下的“加强版”，用于测量点（向量）与分布之间的距离。生成的补丁嵌入向量(100,768,56,56)可能携带冗余信息，文章认为随机选择几个维度比经典的主成分分析(PCA)算法更有效，代码中d=550。为了学习位置 (i, j) 处的正常图像特征，我们首先从 N 张正常训练图像中计算出位置 (i, j) 处的embeding为。数据采用mvtec格式的数据，共有100张训练图片。
图像异常检测
m0_55434618的博客
11-06 1004
本周主要对PaDim算法的有关原理进行学习，然后使用anomalib库进行模型的初步训练，进行结果分析。总结：能够得到可以分类异常与正常样本的模型，但模型分割能力不强。
异常检测-缺陷检测-论文精读PaDiM
小白不白
01-11 4593
我们提出了一个新的 Patch 分布建模框架，在单类学习的设置下，PaDiM 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常类的概率表示。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 MVTec AD 和 STC 数据集上的异常检测和定位方面优于当前最先进的方法。为了匹配真实世界的视觉工业检查，我们扩展了评估协议，以评估非对齐数据集上异常定位算法的性能。
工业外观缺陷检测 无监督异常检测模型PaDiM（Patch Distribution Modeling）
最新发布
m0_37302966的博客
04-17 1255
工业外观缺陷检测 无监督异常检测模型PaDiM（Patch Distribution Modeling）
PaDiM-Anomaly-Detection-Localization-master:这是“ PaDiM”论文的非官方实现
05-08
PaDiM异常检测本地化大师 这是。 此代码是从SPADE-pytorch（ ）和MahalanobisAD-pytorch（ ）项目中大量借用的 要求 Python== 3.7 pytorch == 1.5 tqdm 斯克莱恩 matplotlib 数据集 MVTec AD数据集：从下载 结果 在MVTec上的实施结果 图像级异常检测精度（ROCAUC） 电视技术 R18-Rd100 WR50-Rd550 地毯 0.984 0.999 网格 0.898 0.957 皮革 0.988 1.0 瓦 0.959 0.974 木头 0.990 0.988 所有纹理类别 0.964 0.984 瓶子 0.996 0.998 电缆 0.855 0.922 胶囊 0.870 0.915 榛子 0.841 0.933 金属螺母 0.974 0.
PaDiM 异常检测与定位项目使用指南
gitblog_01000的博客
08-08 914
PaDiM 异常检测与定位项目使用指南 PaDiM-Anomaly-Detection-Localization-masterThis is an unofficial implementation of the paper “PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization...
PaDiM【异常检测：Embedding-based】
记录/交流，加油啊呀...
06-13 3416
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization背景/模型原理/实验
PaDiM - 异常检测与定位：技术创新与实用价值
gitblog_00060的博客
04-27 568
PaDiM - 异常检测与定位：技术创新与实用价值 PaDiM-Anomaly-Detection-Localization-masterThis is an unofficial implementation of the paper “PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Locali...
PaDiM 无监督异常检测和定位-论文和源码阅读
一千零一夜的博客
11-02 1124
思路：数据特征的分布被假定为一个多元高斯分布，异常值通常在多元高斯分布中表现为远离数据集的中心（均值向量）的数据点。协方差矩阵可以描述各个特征之间的相关性和离散程度。通过计算数据点相对于协方差矩阵的马氏距离，可以识别潜在的异常点。
基于PaDiM的异常检测与定位技术实践与评估
通过以上知识点，我们可以看到PaDiM项目是一个专注于图像异常检测与定位的Python实现，依赖于特定的软件库和数据集，并取得了良好的检测性能。无监督学习背景下的此类项目在工业视觉检测、网络安全监控等领域具有...
PaDiM 异常检测与定位项目常见问题解决方案
gitblog_09678的博客
09-13 346
PaDiM 异常检测与定位项目常见问题解决方案 PaDiM-Anomaly-Detection-Localization-master This is an unofficial implementation of the paper “PaDiM: a Patch Distribution Modeling Frame...
【2020工业图像异常检测文献】PaDiM: 基于补丁分布建模的异常检测方法
qq_1532145264的博客
09-22 913
PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
异常检测论文
jiayou2021的博客
04-28 783
1. PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization 【论文笔记（8）】PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and Localization_国家二级退堂鼓表演家的博客-优快云博客 基于重构的方法被广泛应用于异常检测和定位。训练像自动编码器[1]、[9]-[...
PaDiM 原理与代码解析
00000cj的博客
11-05 9931
文中使用马氏距离 \(M(x_{ij})\) 来计算测试图片在位置 \((i,j)\) 处的异常分数，\(M(x_{ij})\) 表示测试图片的嵌入向量 \(x_{ij}\) 和学习到的分布 \(\mathcal N(\mu_{ij},{\textstyle \sum_{ij}^{}} )\) 之间的距离，计算方式如下。异常检测是一个区分正常类别与异常类别的二分类问题，但实际应用中我们经常缺乏异常样本，并且异常可能会有意想不到的模式，所以训练一个全监督的模型是不切实际的。
论文阅读 -- PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization
团长sama的博客
12-11 6194
#异常检测 文章目录PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization摘要引言相关工作模型方法实验数据集构建模型使用对比实验设置结论消融实验 PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization 摘要 PaDiM 使用于预先训练的 CNN 来进行分块嵌入,然后使用多元高斯分
PaDiM：代码阅读笔记
qq_53336225的博客
02-13 399
提出了一个用于补丁分布建模的新框架 PaDiM，用于在单类学习环境中同时检测和定位图像中的异常。PaDiM 利用预训练的卷积神经网络 （CNN） 进行补丁嵌入，并使用多变量高斯分布来获得正常类的概率表示。它还利用 CNN 不同语义级别之间的相关性来更好地定位异常。PaDiM 在 MVTec AD 和 STC 数据集上的异常检测和定位方面都优于当前最先进的方法。为了匹配现实世界的视觉工业检查，我们扩展了评估协议，以评估异常定位算法在非对齐数据集上的性能。PaDiM 的先进性能和低复杂性使其成为许多工业应用的理
《PaDiM: a Patch Distribution Modeling Frameworkfor Anomaly Detection and Localization》论文阅读笔记
m0_46314815的博客
12-31 732
提出了一种基于分布建模的单类学习环境下的异常检测和定位框架PaDiM。它在MVTec AD和STC数据集上实现了最先进的性能。PaDiM低内存和时间消耗以及其易用性使其适合各种应用，如可视化工业控制。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

胡侃有料

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
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、付费专栏及课程。

余额充值