一种基于变换选择的图像异常检测加速方法和系统技术方案

本发明专利技术公开一种基于变换选择的图像异常检测加速方法和系统，属于图像处理领域。包括：获取目标任务的正常图片集，作为训练集；将训练集中每张图片进行M次变换；将变换后训练集分批次输入至改进深度卷积神经网络进行自监督训练，得到训练好的改进的深度卷积神经网络，所述改进深度卷积神经网络是将深度卷积神经网络的最后一层的全连接层替换为M个独立的线性层和M个单输入激活函数，线性层与单输入激活函数串联构成分类器，使用二分类交叉熵训练；计算各变换的优劣性能指标；从各变换中选出最具代表性变换；获取待测目标任务图片，对其进行最具代表性变换，输入至训练好的模型，得到推理结果，实现对图像异常检测方法的模型推理速度加速M倍。推理速度加速M倍。推理速度加速M倍。

【技术实现步骤摘要】
一种基于变换选择的图像异常检测加速方法和系统


[0001]本专利技术属于数字图像处理领域，更具体地，涉及一种基于变换选择的图像异常检测加速方法和系统。

技术介绍

[0002]随着图像处理技术和深度学习技术的发展，基于变换学习的图像异常检测方法已经成为了对海量图像进行异常判别的重要方法。这种方法的基本结构使用了基于深度卷积神经网络的多分类架构，首先通过变换学习的前置任务进行特征学习，再通过精细化设计的异常函数产生最终的正常
‑
异常二分类分值。在使用训练得到的深度卷积神经网络模型时，一个重要的技术是对大参数量的模型进行轻量化加速，从而实现模型推理速度的提高和在边缘计算设备上的部署。
[0003]目前已有模型推理加速的主要技术包括：轻量化架构设计、模型量化技术以及知识蒸馏技术。现有方法的优点在于其通用性强，但其加速速度有限，在8倍以内，且其速度的提升以较大模型精确度的损失作为代价。
[0004]基于变换学习的图像异常检测方法依赖大量耗时、复杂的前置变换，大量变换的使用成倍增加了方法所得到模型的推理时间。

技术实现思路

[0005]针对现有技术基于变换的图像异常检测方法的推理加速速度低的缺陷和改进需求，本专利技术提供了一种基于变换选择的图像异常检测加速方法和系统，其目的在于实现对图像异常检测方法的模型推理速度加速M(M＞＞8)倍，有助于解决模型在低运算量的平台上部署时推理速度不够这一瓶颈问题。
[0006]为实现上述目的，按照本专利技术的第一方面，提供了一种基于变换选择的图像异常检测加速方法，该方法包括：
[0007]训练阶段：
[0008]获取目标任务的正常图片集，作为训练集；
[0009]将训练集中的每张图片进行M次变换；
[0010]将变换后的训练集分批次输入至改进的深度卷积神经网络进行自监督训练，得到训练好的改进的深度卷积神经网络，所述改进的深度卷积神经网络是将深度卷积神经网络的最后一层的全连接层替换为M个独立的线性层和M个单输入激活函数，并使用二分类交叉熵进行训练，所述线性层与单输入激活函数串联构成分类器；
[0011]计算训练好的模型中各变换的优劣性能指标；
[0012]根据优劣性能指标，从各变换中选出最具代表性的变换；
[0013]推理阶段：
[0014]获取待测目标任务图片，对其进行最具代表性的变换，输入训练好的模型，得到推理结果。
[0015]优选地，对图片进行变换前，进行以下处理：
[0016][0017][0018]其中，I表示原始图片，I
′
表示像素取值范围限制后的图片，I
*
表示归一化后图片，μ表示从ImageNet数据集中统计得到的图片均值，σ表示从ImageNet数据集中统计得到的图片方差。
[0019]有益效果：针对现有技术训练深度神经网络中存在的梯度爆炸问题，即未经预处理的图片送入深度神经网络反向传播的梯度会过大而导致训练失败的问题，本专利技术通过对像素取值范围进行限制和归一化手段，由于通过限制像素取值范围和归一化间接削减了训练时反向传播的梯度的大小，实现稳定训练从而得到良好模型的效果。
[0020]优选地，所述M次变换为多个变换的笛卡尔积组合形成：
[0021]T＝{I，T
f
}
×
{I，T
v
‑1，T
v1
}
×
{I，T
h
‑1，T
h1
}
×
{I，T
90
°
，T
180
°
，T
270
°
}
[0022]其中，I表示原始图片，T
f
表示翻转变换，T
v
‑1表示向左水平平移四分之一图像宽度的平移变换，T
v1
表示向右水平平移四分之一图像宽度的平移变换，T
h
‑1表示向上垂直平移四分之一图像高度的平移变换，T
h1
表示向下垂直平移四分之一图像高度的平移变换，T
90
°
表示逆时针旋转90
°
的旋转变换，T
180
°
表示逆时针旋转180
°
的旋转变换，T
270
°
表示逆时针旋转270
°
的旋转变换。
[0023]有益效果：针对现有技术难以预先给出一组性能较好的变换的问题，本专利技术通过自监督学习的技术手段，由于使用变换的自监督学习可以较好的提取图像中的特征，实现使用这类基于自监督学习的变换作为优选的一组变换的效果。
[0024]优选地，所述单输入激活函数为Sigmoid函数。
[0025]有益效果：针对现有技术使用多输入激活函数导致多个输出不独立的问题，本专利技术通过使用单通道激活函数如Sigmoid代替多输入激活函数，由于单输入激活函数不会混杂其他输入的信息，实现不同分类器的输出独立的效果。
[0026]优选地，所述变换的优劣性能指标O
‑
measure的计算公式如下：
[0027][0028]其中，[I1，
…
，I
N
]为输入同一批次的图片，N表示同一批次图片的数量，L
j
()表示第j个分类器，C()为卷积函数，T
k
()表示第k种变换，Ii表示第i张图片。
[0029]有益效果：针对现有技术无法判断所依赖变换优劣的问题，本专利技术通过对集成学习的研究提出变换的优劣判断指标O
‑
measure，由于优劣判断指标O
‑
measure定量给出了所依赖变换的优劣，实现对所依赖变换进行判断的效果。
[0030]优选地，所述根据优劣性能指标，从各变换中选出最具代表性的变换，具体如下：
[0031]如果O
‑
measure大于极端阈值τ，将其排除于挑选范围之外；否则，选取具有最大O
‑
measure的变换代表整个变换族。
[0032]有益效果：针对现有技术无法对所依赖变换进行选择的问题，本专利技术通过选取阈值τ之内具有最大的O
‑
measure的变换对各变换进行挑选，由于在阈值τ之内的变换O
‑
measure越大表示其代表性越强，实现对所依赖变换进行选择的效果。
[0033]优选地，所述极端阈值τ的取值范围为[
‑
0.1,
‑
0.01]。
[0034]有益效果：针对现有技术无法识别退化的变换的问题，本专利技术通过极端阈值τ在选择过程中进行限制，由于O
‑
measure大于τ的变换会导致训练退化而本专利技术对其进行了限制，实现了排除这部分退化变换的效果。
[0035]为实现上述目的，按照本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于变换选择的图像异常检测加速方法，其特征在于，该方法包括：训练阶段：获取目标任务的正常图片集，作为训练集；将训练集中的每张图片进行M次变换；将变换后的训练集分批次输入至改进的深度卷积神经网络进行自监督训练，得到训练好的改进的深度卷积神经网络，所述改进的深度卷积神经网络是将深度卷积神经网络的最后一层的全连接层替换为M个独立的线性层和M个单输入激活函数，并使用二分类交叉熵进行训练，所述线性层与单输入激活函数串联构成分类器；计算训练好的模型中各变换的优劣性能指标；根据优劣性能指标，从各变换中选出最具代表性的变换；推理阶段：获取待测目标任务图片，对其进行最具代表性的变换，输入训练好的模型，得到推理结果。2.如权利要求1所述的方法，其特征在于，对图片进行变换前，进行以下处理：2.如权利要求1所述的方法，其特征在于，对图片进行变换前，进行以下处理：其中，I表示原始图片，I
′
表示像素取值范围限制后的图片，I
*
表示归一化后图片，μ表示从ImageNet数据集中统计得到的图片均值，σ表示从ImageNet数据集中统计得到的图片方差。3.如权利要求1所述的方法，其特征在于，所述M次变换为多个变换的笛卡尔积组合形成：T＝{I，T
f
}
×
{I，T
v
‑1，T
v1
}
×
{I，T
h
‑1，T
h1
}
×
{I，T
90
°
，T
180
°
，T
270
°
}其中，I表示原始图片，T
f
表示翻转变换，T
v
‑1表示向左水平平移四分之一图像宽度的平移变换，T
v1
表示向右水平平移四分...

【专利技术属性】
技术研发人员：谭山，张绪章，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：