点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
作者：安宁的庞巴迪 | 来源：阿里云天池
https://tianchi.aliyun.com/forum/postDetail?postId=195955
一. 总体方案概述
虽然当前深度学习技术十分火爆，但它占AOI落地项目中的比例仅约10%。传统算法依然无法被完全取代，它有着计算复杂度低、调试成本低等优点。
为了结合深度学习算法和传统算法的优势，我们提出Deep and Shallow Fusion Network (DSFNet), 该网络将传统算法提取的特征在模型的深层和浅层按通道进行拼接。这样的结构仅用单模型ResNeSt50就取得了优异的成绩。
我们对仅在模型的深层或者浅层拼接分别进行了实验，发现只有同时进行拼接效果最好。
二. 传统特征提取
用surf算子提取瑕疵图和模板图的特征点，再通过透视变换将模板与瑕疵图对齐，最后差分得到传统特征，其流程框图如下：
由于瓷砖的花纹复杂，与瑕疵难以区分。这样对齐差分后，可以抑制绝大部分的噪声，而突出瑕疵的特征。
三. 其他性能优化措施
anchor_scale和anchor_size设置。对于不同的检测任务，往往需要统计训练数据来针对性的设置这两个参数，这样才能将模型的性能最大化。
可变形卷积增加了模型对各种目标形状的建模能力，是个稳定的涨分点。
双阈值，对于提高ACC效果明显, 会略微降低mAP。需要调到合适值，才能达到总score最大化。
Backbone是ResNeSt50。由于split-attention模块能够实现跨通道注意力机制，所以这个模型正好适合我们按通道拼接的传统特征和深度模型特征。
后期还利用差分图像做了瑕疵增广实验，由于时间关系，未能测试。
四. github地址
正在整理，即将开放.
CVPR和Transformer资料下载
后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的两篇Transformer综述PDF
CVer-缺陷检测交流群成立
扫码添加CVer助手，可申请加入CVer-缺陷检测 微信交流群，方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch和TensorFlow等群。
一定要备注：研究方向+地点+学校/公司+昵称（如
缺陷检测+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲长按加小助手微信，进交流群
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看
