90s解读AI
在现代制造业中，图像异常检测(IAD)通常用于制造过程的结束阶段，旨在识别产品缺陷。产品缺陷的严重程度会显著影响产品价格。此外，如果缺陷达到一定阈值，产品将被淘汰。深度学习的迅速发展为工业图像异常检测(IAD)领域奠定了里程碑。欧洲科学院院士金耀初教授联合南方科技大学郑锋团队从神经网络架构、监督级别、损失函数、评价指标和数据集的角度全面审视了基于深度学习的图像异常检测技术。此外，团队提取了该技术在工业制造中可适用的场景，并回顾了在本文提出的场景下可用的IAD方法。同时还指出了图像异常检测技术当前面临的若干挑战。本文在不同监督级别下分析了集中有代表性的网络架构的优缺点。最后对研究发现进行总结，并指出未来的研究方向。
全文导读
全文下载：
Deep Industrial Image Anomaly Detection: A Survey
Jiaqi Liu, Guoyang Xie, Jinbao Wang, Shangnian Li, Chengjie Wang, Feng Zheng & Yaochu Jin
https://link.springer.com/article/10.1007/s11633-023-1459-z
https://www.mi-research.net/en/article/doi/10.1007/s11633-023-1459-z
关于Machine Intelligence Research
Machine Intelligence Research（简称MIR，原刊名International Journal of Automation and Computing）由中国科学院自动化研究所主办，于2022年正式出版。MIR立足国内、面向全球，着眼于服务国家战略需求，刊发机器智能领域最新原创研究性论文、综述、评论等，全面报道国际机器智能领域的基础理论和前沿创新研究成果，促进国际学术交流与学科发展，服务国家人工智能科技进步。期刊入选"中国科技期刊卓越行动计划"，已被ESCI、EI、Scopus、中国科技核心期刊、CSCD等20余家国际数据库收录，入选图像图形领域期刊分级目录-T2级知名期刊。2022年首个CiteScore分值在计算机科学、工程、数学三大领域的八个子方向排名均跻身Q1区，最佳排名挺进Top 4%，2023年CiteScore分值继续跻身Q1区。2024年获得首个影响因子(IF) 6.4，位列人工智能及自动化&控制系统两个领域JCR Q1区。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢