【技术实现步骤摘要】
一种基于近邻对比的改进超球空间学习的异常检测方法
[0001]本专利技术涉及一种异常检测方法，特别涉及一种基于近邻对比的改进超球空间学习的异常检测方法，属于对比学习、异常检测和图像处理
技术介绍
[0002]工业场景中产品表面异常的检测对于工业智能的发展至关重要。表面缺陷检测是一个在图像中定位异常区域的问题，例如划痕和污迹。但在实际应用中，由于异常样本的概率低且异常形式多样，往往在训练过程中只有大量的正常样本。因此，表面异常检测任务的一大挑战就是如何在没有异常样本训练的情况下还能明确地分离正常模式与异常模式。
[0003]目前，针对这一痛点问题，有学者提出人为的在训练阶段创建合成异常，从而训练一个分割网络显式的对正常样本和异常样本进行分割以学习正常模式与异常模式的差异。这种想法虽好，但往往分割网络会过度适合于合成异常，而不能泛化到真实数据。同时，还有学者提出在训练阶段使用自编码器仅对正常图像进行重构的方法，这些方法依赖于在正常样本上训练的自编码器只能成功重建正常区域，而对异常区域则失败的假设。然而，自编码器...
【技术保护点】
【技术特征摘要】
1.一种基于近邻对比的改进超球空间学习的异常检测方法，其特征是，包括步骤：S1. 构建记忆库：将一个训练图像输入特征提取网络提取特征，将提取的特征存入记忆库，将下一个训练图像输入特征提取网络提取特征，对记忆库中的每个特征依次从新提取的特征中寻找最近邻，然后通过计算移动平均值来更新记忆库中的特征，直到训练集遍历完成；S2. 计算超球损失：将训练集中的每张图像输入与步骤S1相同的特征提取网络提取特征，用提取的特征从记忆库中寻找1
‑
3近邻和4
‑
6近邻，通过超球损失分别迫使该特征接近第1、2、3近邻，远离第4、5、6近邻，计算得到接近超球损失和远离超球损失，加和耦合后得总超球损失；S3. 计算全新的近邻对比损失：将步骤S2提取的特征分别和记忆库中第1、2、3近邻组成三个正对，和第4、5、6近邻组成3个负对，并最大化正对之间的相似度、最小化负对之间的相似度，计算近邻对比损失；S4. 结合超球损失和近邻对比损失计算总损失，训练更新网络；S5. 计算测试样本异常分数：在测试阶段将图像输入到训练完毕的特征提取网络中，对于提取的每个特征从记忆库中寻找一个最近邻，将二者之间的欧式距离当作该特征的异常分数，生成像素级异常检测分数图，将图中的最大值当作图像级异常检测分数，测试完成得到最终的异常检测结果。2.根据权利要求1所述的一种基于近邻对比的改进超球空间学习的异常检测方法，其特征是，S1所述的特征提取网络使用resnet18，所述的移动平均值的计算公式为：，，其中C
i
‑1表示上个状态的记忆库中的特征集合，C
i
表示更新后的记忆库中的特征集合，C
iNN
表示C
i
‑1在新提取的特征中所匹配的最近邻特征集合，β表示控制移动平均的超参数，N表示训练集中的样本数。3.根据权利要求1所述的一种基于近邻对比的改进超球空间学习的异常检测方法，其特征是，S2中接近超球损失的计算公式为：，其中L
att
表示接近超球损失，T表示特征提取网络输出的特征总数，K表示每个特征匹配的要接近的近邻数量，D表示预定义的距离度量，在这里为欧式距离，c
tk
表示每个特征匹配的要接近的最近邻，在这里分别为第1、2、3近邻，p
t
表示特征提取网络提取的每个特征，如...
【专利技术属性】
技术研发人员：孙启玉，刘玉峰，孙平，
申请(专利权)人：山东锋士信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。