钢铁异常分类 对比学习 比较好用
1.首先，为每个实例生成一对样本，
来自同一实例的样本被认为是正例，
来自不同实例的样本被认为是负例。
2.其次，这些样本被馈送到编码器以获得嵌入。
3.在对比损失[16]的影响下，
提取正样本的嵌入以最大化它们的相似性，
而负样本的嵌入被推开以最大化它们的差异。
但有两个障碍阻碍了其在钢表面缺陷图像的有效应用。
存在两个问题
1.首先，对比学习中的固定对比度强度不适合钢表面缺陷样本的表示学习。
2.在强对比下，有利于钢表面缺陷类间相似样本的表示学习，
但不利于钢表面缺陷类内相似样本[见图1(a)]。
弱对比度与强对比度相反[见图1(b)]。
这两个极端对比强度会破坏缺陷样本的潜在语义信息，从而降低学习表示的质量
2.钢表面缺陷的未标记数据不足，
与ImageNet[18]不同的是，ImageNet[18]可以为对比学习提供大量的未标记数据来学习更好的表示。
针对上述问题，给出解决方案
1.在 FiCo 中，设计了可变温度判别来灵活调整钢缺陷样品之间的对比度强度。
还设计了特征重建（FR）来 进一步调整对比度强度。
然而，GAN依赖于大量的训练数据，由于钢表面缺陷数据不足，容易出现模式崩溃[20]。
什么是 模式奔溃Mode collapse 模式崩溃是指生成器只复制图像，这对对比学习无效。
2.为了缓解钢表面缺陷数据有限的模式崩溃，提出了DGAN。
在 DGAN 中，多个生成器的权重用于生成不同的图像，为 FiCo 提供更多缺陷数据。
contribution
- 提出了一种新的对比学习框架FDCL，以克服现有的对比学习的两个障碍，不能有效地应用于钢表面缺陷图像:对比度不合适，未标记数据不足。它可以准确识别标记样本较少的钢表面缺陷。
- iCo被提出用于钢表面缺陷图像的表示学习。与对比度强度固定的对比学习不同，FiCo使用设计的可变温度判别和FR灵活调整对比度强度，提高学习表示的质量。
- 提出了一种名为 DGAN 的生成方法来补充未标记的数据。DGAN使用多个生成器权重来减轻模式崩溃并为 FiCo 生成不同的图像，进一步提高了学习表示的质量。
在四个标准钢表面缺陷数据集上进行了广泛的实验，以验证所提方法的有效性。实验结果表明，与最先进的方法相比，该方法有了显着的改进。
下面给出论文链接，可以看看方法部分
Steel Defect Detection Based on Modified RetinaNet | IEEE Conference Publication | IEEE Xplore
