动态标签注入用于不平衡工业缺陷分割
内容提要
本文介绍了多种基于深度学习的图像处理方法，如多实例学习、多类语义分割、互动训练和自我标记，旨在提升半监督学习和工业缺陷检测的性能。研究表明，通过优化标注和损失函数，可以有效解决类别不平衡问题，并在多个数据集上取得优异结果。
延伸解读
工业缺陷分割的类别不平衡挑战
工业缺陷分割中，缺陷类别往往分布极不均衡，少数类别样本稀少，导致模型性能下降。文章指出，类别不平衡是常见问题，并介绍了多种应对方法，如hard-class mining loss动态加权损失函数、类别平衡动态获取（CBDA）主动学习等。这些方法通过调整损失权重或采样策略，提升少数类别的分割精度，从而改善整体mIoU。
降低标注成本的技术路径
工业缺陷检测中，像素级标注成本高昂。文章提到，利用多实例学习（MIL）仅需图像级标签即可训练分割模型，以及基于不同粒度注释的表面缺陷检测方法，从弱标注到像素级逐步细化。这些技术显著降低了标注需求，同时保持或提升了模型性能，为实际工业应用提供了可行方案。
半监督与主动学习的进展
为减少对大量标注数据的依赖，文章介绍了互动训练（DMT）和类别平衡动态获取（CBDA）等方法。DMT通过双模型互动纠正伪标签错误，提升半监督学习性能；CBDA则结合不确定性与多样性，并针对类别不平衡优化采样，在高预算下显著提升少数类别性能。这些方法在标注效率与模型精度间取得了更好平衡。
模型等效性与生产环境应用
除了精度和IoU，模型输出的一致性（等效性）在工业缺陷分割中同样重要。文章提出新的上/下采样层及注意力模块，改善图像边界变化对等效性的影响。此外，利用生成模型重新生成自我标记的缺陷图像，优化裂缝分割器，展示了在生产环境中的潜力。这些工作关注实际部署中的鲁棒性和可靠性。
Q&A
什么是多实例学习（MIL）在语义分割中的应用？
多实例学习（MIL）用于通过图像级标记进行训练，优化细分标签的分配，实验结果在PASCAL VOC数据集上表现良好。
互动训练（DMT）如何提高半监督学习的性能？
互动训练（DMT）通过不同模型间的互动来识别伪标签的错误，从而提升半监督学习在图像分类和语义分割任务中的表现。
如何解决工业缺陷检测中的类别不平衡问题？
通过使用动态加权的损失函数hard-class mining loss，可以有效解决类别不平衡问题，提高平均准确度和IoU性能。
自我标记方法在长尾类别上的表现如何？
自我标记方法改善了目标域中的结构分割性能，特别是在长尾类别上表现得更好。
什么是类别平衡动态获取（CBDA）主动学习方法？
CBDA是一种新型主动学习方法，通过增加少数类别的训练样本，改善少数类别的性能，尤其在高预算情况下表现优越。
生成模型在工业缺陷分割中的应用潜力是什么？
生成模型可以重新生成自我标记的有缺陷图像，优化裂缝分割器，显示在真实生产环境中的应用潜力。
