-
无监督缺陷检测新范式，自编码器重构误差与聚类分析的异常区域定位与分类
在工业检测领域，缺陷检测是保障产品质量的核心环节。传统监督学习方法依赖大量标注数据，而实际生产中缺陷样本稀缺且形态多样，导致模型泛化能力受限。无监督缺陷检测通过挖掘正常样本的内在规律，自动识别异常模式，成为解决这一难题的关键技术。本文提出一种基于自编码器重构误差与聚类分析的无监督缺陷检测范式，在金属表面缺陷检测数据集上实现98.2%的定位准确率与92.7%的分类精度，较传统方法提升15%以上。
-
什么是自编码器？对机器学习有什么影响？
AutoEncoder的基本思想是利用神经网络来做无监督学习，就是把样本的输入同时作为神经网络的输入和输出。本质上是希望学习到输入样本的表示(encoding)。早期AutoEncoder的研究主要是数据过于稀疏、数据高维导致计算复杂度高。比较早用神经网络做AutoEncoder的可以追溯到80年代的BPNN和MLP以及当时Hinton推崇的RBM。后来到了2000年以后还坚持在做的只剩下Hinton的RBM了。从2000年以后，随着神经网络的快速兴起，AutoEncoder也得到快速发展，基本上有几条线：稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder。最新的进展是结合对抗思想的对抗AutoEncoder。
