PaDiM-Paddle：基于分布建模的异常检测与定位方法

1.1 简介

本项目基于paddlepaddle 复现了论文:
padim: a patch distribution modeling framework for anomaly detection and localization

PaDiM是一种基于图像Patch的算法。它依赖于预先训练好的CNN功能提取器。 将图像分解为多个面片，并使用不同的特征提取层从每个面片中提取嵌入。 将不同层次的激活向量串联起来，得到包含不同语义层次和分辨率信息的嵌入向量。这有助于对细粒度和全局上下文进行编码。 然而，由于生成的嵌入向量可能携带冗余信息，因此使用随机选择来降低维数。 在整个训练批次中，为每个面片嵌入生成一个多元高斯分布。因此，对于训练图像集的每个面片，我们有不同的多元高斯分布。这些高斯分布表示为高斯参数矩阵。 在推理过程中，使用马氏距离对测试图像的每个面片位置进行评分。它使用训练期间为面片计算的协方差矩阵的逆矩阵。 马氏距离矩阵形成了异常图，分数越高表示异常区域。

本项目基于PaddlePaddle框架复现了PaDiM，并在MvTec数据集上进行了实验。

论文：

项目参考：

1.2 复现精度

本文基于PaddlePaddle复现PaDiM算法，通过CNN提取图像面片嵌入并建模高斯分布，用马氏距离检测异常。在MvTec数据集上，Image-Level AUC平均0.925，Pixel-Level AUC平均0.966，接近或优于PyTorch版本，还介绍了数据集及训练、验证等操作。

Image-Level AUC

Pixel-Level AUC

image-level auc的Mean为0.922。

pixel-level auc的Mean为0.966(966.2, 0.18% gap)。

1.3 数据集

数据集 ：MvTec数据集

AiStudio上的数据集：MVTec-AD

MVTec AD是MVtec公司提出的一个用于异常检测的数据集。与之前的异常检测数据集不同，该数据集模仿了工业实际生产场景，并且主要用于unsupervised anomaly detection。数据集为异常区域都提供了像素级标注，是一个全面的、包含多种物体、多种异常的数据集。

数据集包含不同领域中的五种纹理以及十种物体，且训练集中只包含正常样本，测试集中包含正常样本与缺陷样本，因此需要使用无监督方法学习正常样本的特征表示，并用其检测缺陷样本。这是符合现实的做法，因为异常情况不可预知并无法归纳。下图分别展示了几类图片的正常样本与缺陷样本，以及缺陷样本中的缺陷特写：

快速开始

%cd /home/aistudio/data/!tar xvf data116034/mvtec_anomaly_detection.tar.xz

2.1 依赖安装

!pip install scikit-image

2.2 训练

一共有15个类别，这里需要对15个类别分别训练，最后取平均值作为验证指标. 随机数种子7

预训练模型：挂载数据集[140122] (https://aistudio.baidu.com/aistudio/datasetdetail/140122)

放在output下面，后面就可以直接评估

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category carpet  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category grid  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category leather  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category tile  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category wood  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category bottle  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category cable  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category capsule  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category hazelnut  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category metal_nut  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category pill  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category screw  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category toothbrush  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category transistor  --val=True --save_path=./output --seed 7

%cd /home/aistudio/PaDiM-Paddle/!python train.py --data_path=/home/aistudio/data/ --category zipper  --val=True --save_path=./output --seed 7

2.3 验证

下面验证仅以carpet为例子，其他类别修改category即可。

%cd /home/aistudio/PaDiM-Paddle/!python val.py --data_path=/home/aistudio/data/ --category carpet  --model_path=./output/carpet/best.pdparams --save_picture=True --save_path=./output --seed 7

2.4 预测

%cd /home/aistudio/PaDiM-Paddle/!python predict.py --picture_path=/home/aistudio/data/carpet/test/color/000.webp --category carpet  --model_path=./output/carpet/best.pdparams --save_picture=True --save_path=./output --seed 7

可以在output/carpet/找到如下的类似结果：

2.5 导出

%cd /home/aistudio/PaDiM-Paddle/!python export_model.py --depth 18 --img_size=224 --model_path=./output/carpet/best.pdparams --save_dir=./output

2.6 推理

需要开启infer的380行。

        # postprocess(args, test_imgs, args.category, results, distribution) # 可视化

%cd /home/aistudio/PaDiM-Paddle/!python infer.py --use_gpu=True --model_file=output/model.pdmodel --input_file=/home/aistudio/data/carpet/test/color/000.webp --params_file=output/model.pdiparams --category=carpet  --distribution=./output/distribution --save_path=./output --seed 7

2.7 TIPC

注意：本部分为论文复现赛内容，只是为了验证整个项目的训练推理的正确性。学习目的可以不进行这部分的运行，即这部分非项目必要部分。

因为test_tipc 不支持后处理的可视化环境，此时没有图像保存结果输出

首先安装auto_log，需要进行安装，安装方式如下： auto_log的详细介绍参考https://github.com/LDOUBLEV/AutoLog。

git clone https://github.com/LDOUBLEV/AutoLogcd AutoLog/pip3 install -r requirements.txtpython3 setup.py bdist_wheelpip3 install ./dist/auto_log-1.2.0-py3-none-any.whl

进行TIPC：

bash test_tipc/prepare.sh test_tipc/configs/PaDiM/train_infer_python.txt 'lite_train_lite_infer'bash test_tipc/test_train_inference_python.sh test_tipc/configs/PaDiM/train_infer_python.txt 'lite_train_lite_infer'

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：【论文复现】PaDiM-Paddle：基于分布建模的异常检测与定位方法要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题