【Anomaly Detection论文阅读记录】CS-FLOW:Fully Convolutional Cross-Scale-Flows for ...(WACV-2023)-理论

CS-Flow模型

       Rudolph提出了基于深度学习的图像特征密度估计方法，这与作者的方法最为接近，也是基于归一化流（normalizing-flows），但并不处理完整大小的特征图，而是先对特征图应用平均池化（average-pooling）后再转化为向量。 通过让每张图像经过网络进行64次不同的旋转，来部分解决上下文信息丢失的问题。然而，这种方法显著增加了计算复杂度。与此相比，作者的方法 保留了完整大小的特征图，从而能够利用更精细的信息，而且仅需要一次通过网络的计算，这样可以大幅降低计算复杂度。此论文的本质是图像特征的密度估计问题。

一、实现过程

1．CNN特征提取层

      论文实验EfficientNet-B5模型的第36层作为缺陷X在特征提取层提取出的特征Y，在ImageNet上预训练，不参与整个网络的训练过程。即fe（x）=y

输入尺寸分为三组：768*768、384*384、192*192