计算机应用

作者：李雨轩, 陈斌, 咸伟志

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学，北京 100049；3.哈尔滨工业大学（深圳） 国际人工智能研究院，广东 深圳 518055；4.哈尔滨工业大学 重庆研究院，重庆 401151

关键词：异常检测,反向蒸馏,教师学生网络,对比学习,无监督学习

基金：重庆市自然科学基金面上项目(CSTB2024NSCQ-MSX0479);中国博士后科学基金面上项目(2024MD754244);重庆市博士后研究特别资助项目(2023CQBSHTB3119)

具有定位功能的异常检测是计算机视觉在工业制造中的一项重要应用。近年来，基于反向蒸馏（RD）的异常检测算法在这一任务中表现出良好的性能。但先前基于RD的工作由于仅对正常数据进行约束，难以保证学生网络面对异常时的特征重建能力。此外，基于RD的异常检测算法仅凭经验融合网络的多级差异信息，无法达到最优的异常定位效果。为进一步提升性能，提出一种基于去噪反向蒸馏的无监督工业异常检测算法DeRD，由带有记忆库的RD网络、多尺度特征去噪（MSFD）模块和分割网络组成。首先，为了加强对异常数据的约束，设计一种基于对比学习与多任务学习的MSFD模块，并结合记忆库机制，使学生网络能够学习更有效的特征表示；其次，为了自适应地融合多级教师网络与学生网络的特征差异信息，训练一个使用合成异常的自监督分割网络，从而显著提高模型异常定位性能。在工业检测基准数据集上的实验结果表明，DeRD算法表现出先进的性能，它的图像级受试者工作特征曲线下面积（AUC）为98.8%，像素级AUC为98.4%，像素级平均精确率（AP）为73.5%，高于对比算法。

来源：2025年第11期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第11期