Prompt

请参考论文要解决的问题“前文介绍了地质雷达图像病害检测常用的目标检测方法，以及工业异常检测方法，但通过对已有工作的分析，目标检测方法的进一步发展仍面临许多问题，工业异常检测方法的应用仍存在局限性，具体可总结为以下几点： （1）数据资源匮乏：在轨道基床地质雷达图像的病害检测领域，由于缺乏统一的技术规范与标准化的解译理论，不同设备解译出的雷达图像尺度差异显著。同时，该类图像的病害标注对专家经验依赖较强，导致难以构建规模大且标注可靠的数据集。所以综上，缺乏可用于训练深度学习模型的大规模标注准确的数据集是制约模型性能和泛化能力的主要因素。 （2）多样化的病害样本获取难：目标检测方法虽然已经可以在轨道基床雷达图像上取得较好的检测效果，但对于病害样本类别不均衡、形态变化多样的问题没有很好的解决方法。因为病害发生的时间是不定的，形态是多样的，病害样本难以涵盖全面。在计算机视觉领域，无监督异常检测方法的提出就是为了解决缺陷样本限制的问题，此类方法仅使用正常样本训练，降低了对训练样本的获取难度。 （3）地质雷达图像存在背景干扰噪声：轨道基床地质雷达图像为纹理类数据，雷达图像采样过程中受受铁路道岔、桥梁和埋线等背景干扰影响，正常样本间不可避免存在差异。图像中有大量噪声干扰存在，异常检测方法容易将噪声区域误检为异常区域，导致通用异常检测方法不能直接应用。”和论文贡献“综合前文地质雷达图像及异常检测研究现状与存在问题，本文对GPR图像使用快速傅里叶变换和多尺度带通滤波处理后，发现异常回波与背景干扰在不同频带呈现显著差异，具备良好的频域可分性。基于这一发现，本文从异常区域与背景干扰的频域可分性出发，针对现有数据集及通用算法在实际应用中存在的问题，提出相应的解决方案。整体研究内容如图\ref{fig:01_research_content}所示，主要包括以下几个方面： （1）收集整理地质雷达图像异常检测数据集。图像数据来源于多条实际铁路线路，经由相关技术人员人工标注，根据工程检测实际需要，使用边界框标注，降低人工成本的同时，确保图像级异常标注准确。本文收集的图像数据总量超过MVTec AD\cite{2019mvtec}和BTAD\cite{BTAD}等通用异常检测数据集多类图像总和，为后续实验开展提供坚实的数据基础。 （2）提出基于自适应频域滤波的异常检测算法。基于Memory库的异常检测方法，凭借其良好的泛化性得到了广泛的应用。但当前地质雷达图像数据集总量大，针对记忆库存储开大的问题，使用图像分级索引构建图像级和图像块（Patch）级记忆库。针对正常区域存在噪声干扰，容易产生误检的问题，利用背景干扰噪声和正常区域在不同频段可分的特点，使用自适应频域滤波器过滤出适合当前记忆库判别的特征，抑制背景中杂乱的噪声特征。在地质雷达图像和公共异常检测数据集上的实验结果表明，提出的网络具有优越的性能。 （3）提出频域特征引导图像重建的异常检测算法。基于重建的方法无法有效区分背景干扰和异常区域，容易产生误检。扩散模型作为当前图像重建常用的方法，其去噪步骤难以确定，过小可能导致异常区域重建较差，过大可能影响噪声区域造成误检。为解决上述问题，设计使用频域特征引导模块，频域特征尽可能保存背景干扰区域轮廓结构特征。通过在重建过程中添加频域信息引导，减少重建对噪声区域的影响。使用频域增强模块和注意力机制，增强频域信息并混合空域信息，促使重建网络关注重建细节。在较小的去噪步骤下，使模型更注重异常区域重建。在地质雷达图像和通用数据集上的实验结果表明，提出的网络取得了具有竞争力的结果。”，生成学位论文的研究框架图

Result

GPT Image-2 - Text to Image

Settings