原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明涉及深度学习的视觉检测技术领域，特别涉及一种基于类别激活图的弱监督缺陷检测方法。其包括以下步骤：S1.输入带有类别标签的图像样本，提取图像样本中的特征，经过卷积神经网络中特征的响应后，生成类别激活图；S2.通过空间关联模块计算相似性矩阵以显示浅层特征中的空间关联性；S3.通过引导裁剪算法提取主要的局部缺陷特征，生成缺陷裁剪样本；S4.通过目标忽视算法提取背景特征，生成缺陷忽视样本；S5.多次迭代进行至最终损失函数符合收敛条件，得到最终模型。本方法仅使用少量图像级标签训练的情况下实现对缺陷的
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 116597191 A
(43)申请公布日 2023.08.15
(21)申请号 202310235437.2
(22)申请日 2023.03.13
(71)申请人 哈尔滨工业大学（深圳）
地址 5
文档评论（0）