DCAM 多类异常检测的分布式卷积注意力模块和特征蒸馏策略，效率更高、可扩展 ！

文章预览

点击下方卡片，关注 「集智书童」 公众号 点击加入👉 「集智书童」 交流群 无监督异常检测在工业环境中涵盖了多样化的应用，这些应用对高吞吐量和精确性有严格要求。早期工作集中在“一类一模型”的范式上，这在大型生产环境中带来了重大挑战。基于知识蒸馏的多类异常检测虽然在延迟较低时性能尚可，但与一类版本相比，性能有显著下降。 作者提出了一个DCAM（分布式卷积注意力模块），当多个类别或目标之间存在高方差时，它改进了教师网络和学生网络之间的蒸馏过程。集成了多尺度特征匹配策略，利用来自两个网络特征金字塔的混合多级知识，直观地帮助检测不同大小的异常，这也是多类情况下的一个固有问题。 简而言之，作者的_DCAM_模块包括分布在学生网络特征图上的卷积注意力块，这本质上在学习过程中学会掩盖不相关信息， ………………………………