歧视性无监督的表面异常检测的最新面积取决于外部数据集用于合成异常训练图像的外部数据集。这种方法很容易出现近乎分布异常的失败，因为由于它们与无异常区域的相似性，因此很难现实地合成这些异常。我们提出了一个基于量化的特征空间表示的架构，该架构避免了图像级异常合成要求。在没有对异常的视觉特性做出任何假设的情况下，DSR通过对学到的量化特征空间进行采样，从而在特征级别生成异常，从而允许受控的近乎分布异常。 DSR在KSDD2和MVTEC异常检测数据集上实现了最新结果。关于具有挑战性的现实世界KSDD2数据集的实验表明，DSR明显优于其他无监督的表面异常检测方法，在异常检测中提高了10％的AP，并在异常定位中提高了35％的AP。
translated by 谷歌翻译
改善和快速癌症诊断的关键组成部分是计算机辅助工具的发展。在本文中，我们提出了赢得SEGPC-2021竞争的解决方案，用于在显微镜图像中分割多发性骨髓瘤等离子体细胞。竞争数据集中使用的标签是生成半自动和呈现的噪声。要处理它，进行了沉重的图像增强程序，并使用自定义集合策略相结合了来自多种模型的预测。使用最先进的功能提取器和实例分段架构，导致SEGPC-2021最终测试集上的0.9389的平均交叉联盟。
translated by 谷歌翻译