典型文献
基于Self-Attention的单样本ConSinGAN模型的工业缺陷样本图像生成
文献摘要：
在工业生产中,基于机器视觉的产品质量检测方法已逐步引入生产线,但绝大多数检测模型都需要充足的缺陷样本集以完成训练.随着生产工艺的改进,缺陷样本出现的概率逐渐降低.缺陷样本过少导致工业缺陷的检测或分割任务难以实施模型训练.采用GAN模型进行样本生成可以有效增广训练样本集.主要研究了面向小样本集的工业缺陷样本生成模型,对单张样本生成网络ConSinGAN进行了改进,引入双通道自注意力机制,增强了单张样本对缺陷区域的学习能力;并引入结构相似度量改进损失函数,提高了工业生成样本中背景的纹理一致性.实验结果表明:所提出的改进后生成式对抗网络模型在单样本工业缺陷图像生成上更为稳定有效.
文献关键词：
单样本;图像生成;注意力机制;工业缺陷;对抗式生成神经网络
中图分类号：
作者姓名：
胡文杰;吴晓波;李波;徐天伦;姚为
作者机构：
中南民族大学 计算机科学学院,武汉 430074;中国外运股份有限公司,北京 100029
文献出处：
引用格式：
[1]胡文杰;吴晓波;李波;徐天伦;姚为-.基于Self-Attention的单样本ConSinGAN模型的工业缺陷样本图像生成)[J].中南民族大学学报（自然科学版）,2022(03):356-364
A类：
ConSinGAN,对抗式生成神经网络
B类：
Self,Attention,单样本,工业缺陷,图像生成,机器视觉,产品质量检测,质量检测方法,生产线,检测模型,实施模型,模型训练,样本生成,增广,训练样本集,小样本,生成模型,单张,生成网络,双通道,通道自注意力机制,结构相似度,相似度量,损失函数,生成式对抗网络模型
AB值：
0.310107
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
