摘要
摘要
随着计算机视觉技术的不断发展,在现代工业生产中,智能缺陷检测正逐
渐取代人类,对产品质量进行精准把控。工业界广泛使用的全监督学习方案十
分依赖大量精细的标注数据,而实际获取这些标注成本高、耗时长。相比之下,
图像级弱监督学习方法仅使用图像级标签训练模型,可以大幅降低标注成本。
然而,工业场景的缺陷外观复杂度高,与产品背景对比度低,尺寸细小,因此
相较于检测自然场景的物体,弱监督缺陷检测通常面临着更大的挑战。除此之
摘要
摘要
随着计算机视觉技术的不断发展,在现代工业生产中,智能缺陷检测正逐
渐取代人类,对产品质量进行精准把控。工业界广泛使用的全监督学习方案十
分依赖大量精细的标注数据,而实际获取这些标注成本高、耗时长。相比之下,
图像级弱监督学习方法仅使用图像级标签训练模型,可以大幅降低标注成本。
然而,工业场景的缺陷外观复杂度高,与产品背景对比度低,尺寸细小,因此
相较于检测自然场景的物体,弱监督缺陷检测通常面临着更大的挑战。除此之
文档评论(0)