用于工业质量控制的异常检测自监督迭代精炼
Self-Supervised Iterative Refinement for Anomaly Detection in Industrial Quality Control
AI总结：
本研究提出迭代精炼过程（IRP），通过循环移除误导性数据点提升工业异常检测精度，在KSDD2和MVTec AD数据集上表现优于传统模型，有效应对稀疏与噪声数据挑战。
摘要：
本研究引入了迭代精炼过程（IRP），这是一种专为高风险工业质量控制设计的鲁棒异常检测方法。IRP通过循环数据精炼策略提升缺陷检测精度，迭代地移除具有误导性的数据点，以改善模型性能与鲁棒性。我们使用两个基准数据集Kolektor SDD2（KSDD2）和MVTec AD验证了IRP的有效性，涵盖了广泛的工业产品和缺陷类型。实验结果表明，IRP持续优于传统的异常检测模型，特别是在高噪声水平环境中。本研究突显了IRP在工业环境中显著增强异常检测过程的潜力，有效应对稀疏和噪声数据的挑战。
英文摘要：
This study introduces the Iterative Refinement Process (IRP), a robust anomaly detection methodology designed for high-stakes industrial quality control. The IRP enhances defect detection accuracy through a cyclic data refinement strategy, iteratively removing misleading data points to improve model performance and robustness. We validate the IRP's effectiveness using two benchmark datasets, Kolektor SDD2 (KSDD2) and MVTec AD, covering a wide range of industrial products and defect types. Our experimental results demonstrate that the IRP consistently outperforms traditional anomaly detection models, particularly in environments with high noise levels. This study highlights the IRP's potential to significantly enhance anomaly detection processes in industrial settings, effectively managing the challenges of sparse and noisy data.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
