颜色分类leetcode MVTec Anomaly Detection 该项目提出了一个基于深度学习的图像半监督异常检测和分割...

颜色分类leetcode异常检测该项目提出了一个基于深度学习的图像半监督异常检测和分割的端到端框架。方法概述所提出的方法采用重建图像和输入图像之间的阈值像素差异来定位异常。通过首先使用无异常训练图像的子集（即验证图像）确定最小面积和阈值对的可能值，然后使用无异常和异常测试图像的子集选择最佳对来确定阈值剩余测试图像的分类和分割。它在很大程度上受到了论文和.该方法分为3个步骤：训练、微调和测试。注意：为什么是半监督而不是无监督？中提出的方法是无监督的，因为在验证步骤中使用仅包含无异常训练图像（验证集）的子集来确定测试图像分类和分割的阈值。然而，验证算法基于用户输入参数，即最小缺陷区域，该定义在上述论文中仍然不清楚且无法解释。由于此参数的选择可以极大地影响分类和分割结果，并且为了使过程自动化并消除对所有用户输入的需要，我们开发了一种微调算法，该算法计算对应于各种离散最小缺陷区域的不同阈值使用验证集。随后，使用测试集（微调集）的异常和无异常图像的小子集来选择最佳的最小缺陷区域和阈值，最终将用于对剩余的测试图像进​​行分类和分割。由于我们的方法依赖于测试图像进​​