DINOv3+MobileCLIP2高效协同,LiZAD轻量级零样本异常检测赋能工业智能制造,推理实测30ms以内,内存仅1.01 GB
摘要:在现代高通量工业生产线上,产品配置和视觉特征频繁变化,因此为每个新场景收集和标注数据变得不切实际。这种动态环境使得零样本异常检测特别适用,因为它能够在无需对特定目标样本进行训练的情况下实现缺陷检测。尽管近期的ZSAD方法显示出有前景的结果,但它们计算密集,不适合部署在资源受限的设备上。我们提出了LiZAD:一个专为边缘设备实时ZSAD设计的轻量级框架。所提出的方法将DINOv3密集且具有空间感知能力的视觉特征(对于精确的像素级定位至关重要)与MobileCLIP2的高计算效率文本嵌入相结合。这些特征随后通过低内存可训练的投影头映射到一个共享的潜在空间。与六个最先进的ZSAD模型相比,Li...