自监督缺陷检测网络结构

自监督缺陷检测网络结构是一种用于表面缺陷检测的无监督学习方法。它通过学习正常样本的特征表示，来检测和定位表面缺陷。以下是一种常见的自监督缺陷检测网络结构： 1. 双孪生网络（Dual-Siamese Network）：双孪生网络是自监督缺陷检测网络的核心组件。它由两个相同的子网络组成，每个子网络都有相同的结构和参数。这两个子网络分别接收两个输入图像，一个是正常样本，另一个是经过人为引入缺陷的样本。子网络通过共享参数来提取输入图像的特征表示。 2. 特征提取器（Feature Extractor）：特征提取器是双孪生网络中的一部分，用于从输入图像中提取特征表示。它通常由卷积神经网络（CNN）组成，可以学习到图像的高级特征。 3. 对比损失[函数](https://geek.csdn.net/educolumn/ba94496e6cfa8630df5d047358ad9719?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6NDQ0MDg2MiwiZXhwIjoxNzA3MzcxOTM4LCJpYXQiOjE3MDY3NjcxMzgsInVzZXJuYW1lIjoid2VpeGluXzY4NjQ1NjQ1In0.RrTYEnMNYPC7AQdoij4SBb0kKEgHoyvF-bZOG2eGQvc&spm=1055.2569.3001.10083)（Contr[ast](https://geek.csdn.net/educolumn/1d2c256574d93ae646d4473629b198e6?spm=1055.2569.3001.10083)ive Loss Function）：对比损失[函数](https://geek.csdn.net/educolumn/ba94496e6cfa8630df5d047358ad9719?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6NDQ0MDg2MiwiZXhwIjoxNzA3MzcxOTM4LCJpYXQiOjE3MDY3NjcxMzgsInVzZXJuYW1lIjoid2VpeGluXzY4NjQ1NjQ1In0.RrTYEnMNYPC7AQdoij4SBb0kKEgHoyvF-bZOG2eGQvc&spm=1055.2569.3001.10083)用于训练双孪生网络，使得正常样本和缺陷样本在特征空间中有明显的区分度。常用的对比损失[函数](https://geek.csdn.net/educolumn/ba94496e6cfa8630df5d047358ad9719?dp_token=eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpZCI6NDQ0MDg2MiwiZXhwIjoxNzA3MzcxOTM4LCJpYXQiOjE3MDY3NjcxMzgsInVzZXJuYW1lIjoid2VpeGluXzY4NjQ1NjQ1In0.RrTYEnMNYPC7AQdoij4SBb0kKEgHoyvF-bZOG2eGQvc&spm=1055.2569.3001.10083)包括孪生对比损失（Siamese Contr[ast](https://geek.csdn.net/educolumn/1d2c256574d93ae646d4473629b198e6?spm=1055.2569.3001.10083)ive Loss）和三元对比损失（Triplet Contrastive Loss）。 4. 缺陷检测器（Defect Detector）：缺陷检测器是自监督缺陷检测网络的输出层，于判断输入图像是否存在缺陷，并定位缺陷的位置。它通常由全连接层和分类器组成，可以根据特征表示预测图像的缺陷概率和位置。 通过训练双孪生网络和缺陷检测器，自监督缺陷检测网络可以学习到正常样本的特征表示，并能够在未见过的图像中检测和定位表面缺陷。