SwinTransformer 改进：引入SSPCAB自监督预测卷积注意块，实现涨点，二次创新结构

前言本文教的是方法，也给出几种改进方法，二次创新结构，百变不离其宗，一文带你改进自己模型，科研路上少走弯路。异常检测通常被视为一个单类分类问题，其中模型只能从正常训练样本中学习，同时在正常和异常测试样本上进行评估。在成功的异常检测方法中，有一类独特的方法依赖于预测被掩码的信息（如图像块、未来帧等），并利用相对于被掩码信息的重构误差作为异常分数。与相关方法不同，作者提出将基于重构的功能集成到一个新颖的自监督预测架构构建块中。所提出的自监督构建块具有通用性，可以轻松地融入各种最先进的异常检测方法中。理论介绍SSPCAB是一个“即插即用”的建筑块，可以非常容易地集成到现有的各种异常检测框架中。引入了一种自监督的预测机制，通过重建被遮盖的信息来学习正常样本的特征。用掩码卷积（Masked Convolution）机制，通过物理隔离中心像素，迫使模型仅利用周围像素（Context）来预测中心区域的特征。这种自监督的预测任务能够使模型对正常模式的局部规律产生极强的感知力，从而在推理阶段通过预测误差（Reconstruction Error）精准定位异常区域。结构如下图所示（摘自论文）：理论详解可以参考链接：论文地址代码可在这个链接找到：代码地址训练代码参考和下载：Swin Transformer 实战教程：手把手带你训练自己的数据集（附完整源码+数据集）文章目录前言理论介绍🐴一、实战细节⚡⚡实验结果画图⚡⚡改进模块代码⚡⚡使用教程☑️步骤1☑️步骤2☑️步骤3☑️步骤4🐴二、模型结构分析⚡⚡ 注意机制结构分析⚡⚡SwinTransformer 结构分析⚡⚡二次创新实战☑️第一种改进手法☑️第二种改进手法☑️第三种改进手法🐴三、论文常用的评估指标☑️准确率 (Accuracy, ACC)☑️精确率 (Precision)☑️召回率 (Recall)☑️F1分数 (F1 Score)总结🐴一、实战细节⚡⚡实验结果画图画图效果如下，代码可一键运行画图代码：# -*- coding: utf-8 -*-""" @Auth ：落花不写码 @File ：画图.py @IDE ：PyCharm @Motto :学习新思想，争做新青年 """importmatplotlib.pyplotaspltimportpandasaspd