摘要
在半监督框架下，我们提出了一种端到端的基于记忆的分割网络（MemSeg），用于检测工业产品表面缺陷。考虑到同一条生产线中产品类内差异较小，从差异性与共性并重的角度出发，MemSeg引入了人工模拟的异常样本与记忆样本，以辅助网络学习。在训练阶段，MemSeg显式地学习正常样本与模拟异常样本之间的潜在差异，从而获得一个鲁棒的分类超平面；同时，受人类记忆机制的启发，MemSeg采用记忆池存储正常样本的通用模式，并通过对比输入样本与记忆池中样本的相似性与差异性，对异常区域进行有效预测。在推理阶段，MemSeg以端到端的方式直接判定输入图像中的异常区域。实验验证表明，MemSeg在MVTec AD数据集上取得了当前最优（SOTA）的性能，图像级与像素级的AUC得分分别达到99.56%和98.84%。此外，得益于其端到端且结构简洁的网络设计，MemSeg在推理速度上具有显著优势，更符合工业场景中对实时性的严格要求。