Выявление аномалий в промышленности важно для интеллектуального производства, так как дефекты могут снижать надежность продукции. Существующие методы, основанные на дистилляции знаний, как правило, используют одного учителя, ограничивая разнообразие и устойчивость признаков. Подходы с несколькими учителями часто требуют явного согласования признаков между различными архитектурами сетей, что может вносить семантические конфликты и ослаблять отклик на аномалии. Мы предлагаем имплицитную дистилляцию с несколькими учителями (IMTD) для выявления аномалий в промышленности. IMTD использует три дополнительных обучающих сети — ResNet18, ResNet34 и Wide-ResNet50, чтобы захватывать текстурные, структурные и семантические представления из различных пространств признаков. Каждый учитель сопряжен с независимым декодером, обученным только на нормальных образцах, что позволяет осуществлять имплицитную передачу знаний без согласования признаков между архитектурами. Модуль агрегации максимальных откликов с учетом ложных отрицаний (FN-MRA) дополнительно введен для сохранения самых сильных доказательств аномалии при слиянии. Эксперименты на наборах данных MVTec AD, VisA и MPDD показывают, что IMTD стабильно превосходит современные методы на уровне изображений и пикселей. Результаты демонстрируют эффективность комбинирования дополнительных учителей, имплицитной реконструкции и агрегации максимальных откликов в условиях недостатка аномалий.

Выявление аномалий в промышленности; Дистилляция знаний; Ансамбль с несколькими учителями; Имплицитная реконструкция; Агрегация максимальных откликов с учетом ложных отрицаний (FN-MRA)