В ответ на существующие проблемы алгоритмов промышленного обнаружения аномалий, такие как низкая точность обнаружения мелких дефектов, слабая способность извлечения многоуровневых признаков и низкая точность сегментации аномалий, предлагается сеть для промышленного обнаружения аномалий, сочетающая высокочастотное остаточное руководство и слияние многоуровневых внимательных признаков. Во-первых, для проблемы потери высокочастотных деталей из-за традиционной обработки полных частот разработана стратегия разделения частотной области с использованием фильтра Гаусса для извлечения высокочастотных остаточных признаков, что усиливает способность сети обнаруживать мелкие аномалии; во-вторых, в связи с недостаточной способностью обычных сверточных сетей представлять сложную текстуру и низкой дифференцировкой между аномалиями и фоном, во время кодировочного этапа дискриминационной сети внедрён многомасштабный модуль внимания с глобальным усилением GEMA, который параллельно захватывает многоуровневую локальную информацию по горизонтали и вертикали, улучшая выраженность признаков в разных пространственных позициях и повышая дифференцирующую способность в сложном текстурном фоне; наконец, на этапе декодирования дискриминационной сети интегрирован модуль координатного внимания CoordAtt, который посредством разложения координатных осей динамически модулирует веса признаков, обеспечивая точное пространственное позиционирование аномальных областей. Эксперименты на публичном наборе данных MVTec AD показали, что улучшенная модель достигает среднего AUROC на уровне изображений 98.6%, а средние AUROC и AP на уровне пикселей составляют 97.6% и 73.2%, что эффективно улучшает результаты промышленного обнаружения аномалий.

Промышленное обнаружение аномалий; Руководство высокочастотными компонентами; Многоуровневое пространственное восприятие; Механизм внимания