SuperSimpleNet: detekcija anomalij z uporabo preproste globoke arhitekture in učenja z mešanim nadzoromRolih, Blaž (Avtor) Skočaj, Danijel (Mentor) Fučka, Matic (Komentor) računalniški viddetekcija anomalijgloboko učenjemešani nadzorCilj detekcije anomalij je prepoznati in lokalizirati anomalne regije na zajetih objektih, kar je v sodobnih proizvodnih procesih ključni element zagotavljanja kakovosti. Kljub temu številni obstoječi pristopi pogosto ne izpolnjujejo vseh zahtev, ki jih postavlja industrija. Te zajemajo zahtevo po konsistentnosti, hitrem delovanju in visoki uspešnosti, vključno z zmožnostjo učinkovitega izkoriščanja razpoložljivih učnih podatkov. V tem delu predstavimo novo diskriminativno metodo SuperSimpleNet, ki smo jo razvili iz metode SimpleNet, s katero naslovimo navedene pomanjkljivosti. Metoda SuperSimpleNet izboljšuje uspešnost detekcije, hitrost napovedi in stabilnost učenja ter je ena izmed zelo redkih metod, ki hkrati omogoča delovanje v nenadzorovanem, šibkem, mešanem in polno nadzorovanem scenariju. To omogoča uporabo vseh razpoložljivih podatkov. Poleg tega uvedba aktivnega učenja pripomore k pametni izbiri novih primerov za označevanje, kar dodatno optimizira proces. Metoda SuperSimpleNet z mero AUC 98,0 % na podatkovni množici SensumSODF presega vse dosedanje metode in hkrati dosega vrhunske rezultate z AP 97,8 % na KolektorSDD2, AUC 93,6 % na VisA in AUC 98,3 % na MVTec AD. Je tudi ena izmed najhitrejših metod s časom napovedi 9,5 ms in prepustnostjo 262 slik na sekundo.20242024-09-05 09:25:01Magistrsko delo/naloga160889sl