近日，学院王天雷副教授团队的硕士研究生李泽亮在国际著名期刊《IEEE Transactions on Instrumentation and Measurement》发表题为《Few-Shot Steel Surface Defect Recognition via Self-Supervised Teacher-Student Model with Min-Max Instances Similarity》（《基于最小化最大实例相似性的自监督师生模型识别小样本钢材表面缺陷》）的科研论文。

该论文发表在TIM期刊。五邑大学为第一单位，合作院校有米兰大学。作者分别为王天雷副教授（第一作者、通讯作者）、硕士研究生李泽亮（第二作者）、徐颖副教授（通讯作者）、陈家聪、以及米兰大学的三位教授Angelo Genovese、Vincenzo Piuri、Fabio Scotti。IEEE Transactions on Instrumentation and Measurement（TIM）是工业领域、仪器仪表领域国际顶级期刊，重点收录应用于工业、仪器、测量和传感科学与工程理论、概念和技术，以及信息的处理、解释和传播等创新研究成果，影响因子为5.6。

钢表面缺陷（SSD）识别对于保证工业金属产品的质量和经济效益起着至关重要的作用。目前，基于深度学习的识别方法在相关文件中取得了良好的性能。然而，这些方法通常依赖于大量的训练数据和标签信息的可用性。对于SSD识别，SSD数据往往不足，标签稀缺，使得训练监督深度模型变得困难。该论文提出了一种基于自监督学习（Self-SCL）的小样本SSD识别方法，该方法可以在训练前阶段有效地学习未标记数据的数据表示，并在微调阶段从少数标记样本中学习类别。在该方法中，文章提出了一个具有最小化最大实例相似度（MMIS）正则化的信息导向的教师-学生（TS）预训练模型。在训练前阶段，文章利用多视图机制构建了一个具有多视图信息的教师编码器（TE），并利用TE所产生的丰富信息引导学生编码器（SE）进行数据表征的学习。特别地，文章引入了MMIS来解决SSD数据中类内距离和类间距离之间的模糊性问题。

图注1: 文章所提出的TSMMIS自监督框图

图注2: 对不同区域、不同尺寸的缺陷进行感兴趣区域可视化

文章利用多视图机制，在有限的未标记SSD数据中增加实例级信息，并构建TS模块，以Self-SCL的方式学习这些信息，以获得稳健的数据表示能力。同时，文章为了更好地处理SSD数据中类内和类间的距离模糊性问题，提出了MMIS，它鼓励增强实例之间的差异，缩小模型的决策边界。最终，文章所提出方法在四个SSD数据集上与多种最先进的算法进行了比较，并取得了最优的表现。

主要作者介绍：

王天雷副教授，本科毕业于北京邮电大学信号处理专业，硕士毕业于华南理工大学电信信号处理专业，博士毕业于北京交通大学安全工程专业。他的研究方向是智能系统、控制理论和模式识别。

李泽亮，2021年毕业于五邑大学，获工学学士学位。五邑大学2021级硕士研究生。主要研究方向为图像分类、自监督学习。

徐颖副教授，博士毕业于华南理工大学控制理论与控制工程专业，目前是五邑大学电子与信息工程学院副教授，硕士生导师。研究方向为信息处理技术、模式识别与智能控制。