摘要：在工业视觉异常检测领域，知识蒸馏方法因相似的师生结构限制了对异常特征的表示能力，进而影响检测效果。为此，本文提出基于高效金字塔分散注意力的双学生知识蒸馏异常检测方法（EPSA BasedonDualStudentKnowledgeDistillationAnomalyDetection，EPSA-DSAD），该方法采用结构不同的双学生网络，并引入高效金字塔分散注意力（EfficientPyramidSqueezeAttention，EPSA）模块，增强网络差异性与异常重构误差。在经典工业数据集MVTecAD和BeanTech AD (BTAD)上的实验结果表明，该模型平均接收者工作特征曲线下面积（AUROC）得分分别达到最优的99.55%和96.22%，超过目前多个先进的方法，验证了该模型的有效性和优越性。
文章目录
0 引言
1 实验方法
1.1 EPSA-DSAD的总体结构
1.2 EPSA注意力机制
1.3 损失函数
1.4 特征融合
2 实验结果与分析
2.1 数据集
2.2 实验细节及评估标准
2.2.1 数据集BTAD上的性能
2.2.2 数据集MVTec AD上的性能表现
2.3 复杂度分析
2.4 消融实验
2.5 可视化效果图
3 结论
