Attention-based vector quantisation variational autoencoder for colour-patterned fabrics defect detection / Hongwei Zhang in COLORATION TECHNOLOGY, Vol. 139, N° 3 (06/2023)  

[article]  inCOLORATION TECHNOLOGY > Vol. 139, N° 3 (06/2023) . - p. 223-238 Titre : Attention-based vector quantisation variational autoencoder for colour-patterned fabrics defect detection Type de document : texte imprimé Auteurs : Hongwei Zhang, Auteur ; Guanhua Qiao, Auteur ; Shuting Liu, Auteur ; Yuting Lyu, Auteur ; Le Yao, Auteur ; Zhiqiang Ge, Auteur Année de publication : 2023 Article en page(s) : p. 223-238 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Auto-encodeurs variationnels En apprentissage automatique, un auto-encodeur variationnel (ou VAE de l'anglais variational auto encoder), est une architecture de réseau de neurones artificiels introduite en 2013 par D. Kingma et M. Welling, appartenant aux familles des modèles graphiques probabilistes et des méthodes bayésiennes variationnelles. Les VAE sont souvent rapprochés des autoencodeurs en raison de leur architectures similaires. Leur utilisation et leur formulation mathématiques sont cependant différentes. Les auto-encodeurs variationnels permettent de formuler un problème d'inférence statistique (par exemple, déduire la valeur d'une variable aléatoire à partir d'une autre variable aléatoire) en un problème d'optimisation statistique (c'est-à-dire trouver les valeurs de paramètres qui minimisent une fonction objectif). Ils représentent une fonction associant à une valeur d'entrée une distribution latente multivariée, qui n'est pas directement observée mais déduite depuis un modèle mathématique à partir de la distribution d'autres variables. Bien que ce type de modèle ait été initialement conçu pour l'apprentissage non supervisé, son efficacité a été prouvée pour l'apprentissage semi-supervisé et l'apprentissage supervisé. (Wikipedia) Détection de défauts (Ingénierie) Textiles et tissus -- Défauts Index. décimale : 667.3 Teinture et impression des tissus Résumé : Defect detection is an essential link in the fabric production process. Due to the diversity of patterns and scarcity of defect samples for colour-patterned fabrics, reconstruction-based unsupervised deep learning algorithms have received extensive attention in the field of fabric defect detection. Among them, unsupervised reconstruction models based on variational autoencoders (VAEs) have been shown to be effective. However, there is a problem of posterior collapse in the process of modelling parametric distributions of continuous variables by VAEs. Therefore, VAE-based defect detection methods for colour-patterned fabrics usually produce ambiguous reconstruction results, thereby affecting the defect detection performance. In this article, an attention-based vector quantisation variational autoencoder (AVQ-VAE) is proposed for colour-patterned fabric defect detection. The method adopts autoregressive modelling of discrete variables to avoid the posterior collapse problem of traditional VAEs, and utilises attention mechanism to enhance the feature representation ability of the model. AVQ-VAE consists of encoder, embedding space, decoder and attention mechanism. The encoder is used to map the input image into multiple feature vectors. Vector quantisation in embedding space is used for discretisation and autoregressive modelling of feature vectors. A decoder is used to decode discrete variables into images of the same size as the original input. Furthermore, an attention mechanism is used to capture channel and spatial correlations, which help the model focus on important information by adaptively recalibrating feature maps. Experimental results on public datasets demonstrate that the proposed method is robust and effective for colour-patterned fabric defect detection. Note de contenu : - RELATED WORKS : Unsupervised deep learning based fabric defect detection - VAE-based model - Attention mechanism - THE PROPOSED AVQ-VAE METHOD : AVQ-VAE and training process - Colour-patterned fabric defect detection based on AVQ-VAE - EXPERIMENT : Experimental platform - Datasets - Parameter setting - Evaluation metrics - Defect detection results on dataset YDFID-1 - Defect detection results on anomaly detection dataset MVTec AD - Table 1 : Number of selected YDFID-1 patterns - Table 2 : Defect detection results of six models on colour-patterned fabrics - Table 3 : AUROC results for the three methodsTABLE 4. AUPRO results for the three methods DOI : https://doi.org/10.1111/cote.12644 En ligne : https://onlinelibrary.wiley.com/doi/epdf/10.1111/cote.12644 Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=39534 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24086	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 1 / 1)