基于小样本与无监督学习的缺陷检测方法研究

课题名称: 基于小样本与无监督学习的缺陷检测方法研究
学科专业: 计算机科学
课题关键词: 小样本学习无监督学习缺陷检测
辅导模式: 1对1
发表目标: SCI期刊1-2区 CCF-C
课题介绍: 在现代工业制造、医疗影像诊断及智能安防等领域，缺陷检测作为保障产品质量与系统安全的关键技术，其准确性与鲁棒性直接影响生产效率与应用可靠性。传统缺陷检测方法多依赖监督学习框架，需大量标注样本训练模型，但实际场景中，缺陷样本往往具有稀缺性（如精密零件表面微小瑕疵、早期医疗病变等），且标注过程耗时费力，导致模型泛化能力受限。无监督学习方法虽可摆脱对标注数据的依赖，通过建模正常样本分布实现异常检测，但其对复杂背景干扰、缺陷多样性的适应性不足，尤其在小样本场景下易出现误检率高的问题。因此，如何融合小样本学习对少量标注信息的高效利用能力与无监督学习的无标注数据处理优势，构建适用于数据稀缺场景的缺陷检测模型，成为突破现有技术瓶颈、推动缺陷检测向低资源、高鲁棒性方向发展的重要研究课题。

导师信息

科研导师

Dr. Li

985高校博士

导师介绍

研究领域：计算机视觉,缺陷检测,神经架构搜索,性能预测器,演化计算学术成果：已在ACM Computing Surveys，IEEE Transactions on Fuzzy Systems，IEEE Transactions on Evolutionary Computation , IEEE Transactions on Cybernetics等知名期刊及会议上发表论文14篇，其中，第一作者/第二作者发表论文8篇（含高被引3篇），Google引用200余次；担任TEVC、TNNLS、IOT、TAI、TCE、NeurIPS等20余个SCI期刊及国际会议审稿人；

招生要求

面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。