每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

医疗制造的双模式深度异常检测：结构相似性和特征距离

Created by
  • Haebom

作者

胡里奥·扎农·迪亚兹、乔吉奥斯·西奥卡斯、彼得·科克伦

大纲

本文提出了两种基于注意力机制的自动编码器架构，以应对医疗器械制造中自动化视觉检测的独特挑战，例如数据集规模小且不平衡、高分辨率图像以及严格的监管要求。第一种架构采用基于结构相似性的评分方法，实现轻量级的实时缺陷检测，并可通过有限的监督学习进一步增强。第二种架构采用基于特征距离的策略，使用精简潜在特征的马氏评分来监测分布变化并支持监督监测。在代表性无菌包装数据集上的评估结果表明，这两种方法在硬件受限的监管环境下均优于基线模型。在 MVTec-Zipper 基准测试中进行的跨领域测试表明，基于结构相似性的方法具有有效的泛化能力，并实现了与最新方法相当的性能；而基于特征距离的方法尽管可迁移性较差，但仍提供了互补的监测能力。这些结果突出了一种双路径检测策略，该策略结合了结构相似性以实现稳健的在线检测，并结合了特征距离以实现监督监测。通过结合操作性能、可解释性和生命周期监控，所提出的方法还满足了对高风险人工智能系统的新兴监管期望。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了两种基于深度学习的有效且实用的异常检测方法，用于医疗器械制造中的自动视觉检查。
◦
开发即使在数据和硬件资源有限的环境中也能展现卓越性能的轻量级模型。
◦
提出了一种双路径检查策略，该策略兼具基于结构相似性的方法的卓越泛化性能和基于特征距离的方法的互补监控能力。
◦
构建可解释和可监控的系统，满足高风险人工智能系统的监管要求。
•
Limitations：
◦
基于特征距离的方法的跨域性能低于基于结构相似性的方法。
◦
需要通过使用有限数据集的实验来进一步验证泛化性能。
◦
需要进一步研究以进一步验证并在实际医疗器械制造环境中进行实际应用。
👍
Made with Slashpage