Core Concepts
Effektive Oberflächenanomalieerkennung durch kontrastive Einbettungen von defektfreien und defekten Proben.
Abstract
Oberflächenanomalieerkennung in industriellen Prozessen ist eine Herausforderung.
Methoden nutzen vortrainierte Netzwerke für die Extraktion von Merkmalen.
Neue Methode mit zielgerichteter Einbettung für repräsentative Merkmale.
Kontrastives Training mit defektfreien und defekten Proben.
Experimente zeigen Wettbewerbsfähigkeit gegenüber anderen Methoden.
Beitrag: Effektive Einbettung, kontrastiver Verlust, Decoder-Design, k-Means-Clustering.
Struktur: Einleitung, Literaturübersicht, Methode, Experimente, Schlussfolgerung.
Stats
"Die Experimente wurden über 100 Epochen durchgeführt."
"Die Methode erreichte eine durchschnittliche AUROC von 99,8% auf dem MVTEC AD-Datensatz."
"Der Decoder wurde mit zufälligen Gewichten initialisiert."
Quotes
"Die Experimente zeigen die Wettbewerbsfähigkeit unserer Methode."
"Die Methode nutzt tiefe Merkmale für die Anomalieerkennung."