Asymmetric Student-Teacher Networks for Industrial AD

"Asymmetric Student-Teacher Networks for Industrial AD" 在工业缺陷检测领域，异常检测（AD）是一种常用的方法。但是，传统的学生教师网络（Student-Teacher Networks）方法存在一些问题，如学生和教师网络架构的相似性会导致异常检测不准确。为解决这些问题，本文提出了一种新的异步学生教师网络（Asymmetric Student-Teacher Networks，AST）方法，该方法可以更好地检测工业缺陷。 一、工业缺陷检测的挑战 工业缺陷检测是一个挑战性的问题，因为缺陷样本的获取非常困难，且缺陷类型繁多。传统的方法是使用人工检测，但是这种方法非常耗时和不可靠。因此，自动化的工业缺陷检测方法是非常必要的。 二、学生教师网络的缺陷 学生教师网络是一种常用的异常检测方法，该方法通过训练两个神经网络，使得它们在正常样本上的输出相似，而在异常样本上的输出差别很大。然而，传统的学生教师网络方法存在一些问题，如学生和教师网络架构的相似性会导致异常检测不准确。 三、异步学生教师网络（AST） 为了解决学生教师网络的缺陷，本文提出了一种新的异步学生教师网络（Asymmetric Student-Teacher Networks，AST）方法。该方法通过训练两个神经网络，其中一个是normalizing流式网络，另一个是传统的前馈网络。normalizing流式网络可以学习数据的分布，并输出概率密度函数，而传统的前馈网络无法学习这种分布。 四、AST网络的优势 AST网络有两个优势：第一，它可以学习数据的分布，从而检测异常样本；第二，它可以 compensates for wrongly estimated likelihoods by a normalizing flow，这可以提高异常检测的准确性。 五、实验结果 我们在两个工业缺陷检测数据集MVTec AD和MVTec 3D-AD上进行了实验，结果表明我们的AST网络产出了state-of-the-art的结果。 六、结论 本文提出了一种新的异步学生教师网络（Asymmetric Student-Teacher Networks，AST）方法，该方法可以更好地检测工业缺陷。实验结果表明，AST网络可以产出state-of-the-art的结果，证明了其在工业缺陷检测领域的应用前景。