一种基于三分支伪孪生网络的图片异常分类方法及装置制造方法及图纸

本发明专利技术提供了一种基于三分支伪孪生网络的图片异常分类方法及装置，其中分类方法包括在模型输入阶段，输入参考图、正例图和负例图；参考图与正例图通过神经网络提取特征后，通过第一损失函数计算两者之间的相似度；负例图经过神经网络提取特征后，通过第二损失函数增大类间距离，缩小类内距离；将上述第一损失函数和第二损失函数融合得到用于图片异常分类的多损失函数本发明专利技术采用了新颖的三分支伪孪生网络，有效地解决了数据量不均衡的问题。提出了多损失函数结合的形式，可以提高模型的表现性能。性能。性能。

【技术实现步骤摘要】
一种基于三分支伪孪生网络的图片异常分类方法及装置


[0001]本专利技术涉及深度学习中的图片异常检测/分类领域，特别是涉及一种基于三分支伪孪生网络的图片异常分类方法。

技术介绍

[0002]工业场景中，图片的异常检测/分类任务尤为关键，而目前相关的检测/分类等技术已广泛应用于该类任务中。然而针对异常图片与正常图片数量不均衡的问题(异常图片数量往往较少)，常规的方法无法有效解决。
[0003]随着深度学习的发展与普及，已逐渐代替传统技术并表现出了更为优异的性能。在工业图像异常检测领域中，针对良品与次品的准确检测并加以区分显得尤为重要，然而次品的数据量较少，无法满足模型的要求。因此对于研究如何通过少量数据亦能达到理想结果具有十分重要的意义。

技术实现思路

[0004]本专利技术改进后的三分支孪生网络与二分支孪生网络区别在于三分支网络输入的数据分别为：参考样本、正例样本、负例样本，而二分支网络输入的数据为：参考样本、正例样本；本专利技术提出了一种基于三分支伪孪生网络的图片异常分类方法，来有效的解决
技术介绍
的问题。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三分支伪孪生网络的图片异常分类方法，其特征在于，包括以下步骤：在模型输入阶段，输入参考图、正例图和负例图；参考图与正例图通过神经网络提取特征后，通过第一损失函数计算两者之间的相似度；负例图经过神经网络提取特征后，通过第二损失函数增大类间距离，缩小类内距离；将上述第一损失函数和第二损失函数融合得到用于图片异常分类的多损失函数。2.如权利要求1所述的一种基于三分支伪孪生网络的图片异常分类方法，其特征在于，参考图与正例图同属同一类别，负例图则属于另一类别。3.如权利要求2所述的一种基于三分支伪孪生网络的图片异常分类方法，其特征在于，所述神经网络为resnet50作为主骨干网络的神经网络。4.如权利要求3所述的一种基于三分支伪孪生网络的图片异常分类方法，其特征在于，所述负例图在网络中间层将经历若干次embedding层计算。5.如权利要求4所述的一种基于三分支伪孪生网络的图片异常分类方法，其特征在于，所述第一类损失函数计算参考图与正例图两者之间的相似度包括：假设在经过卷积神经网络的提取以H,W,C为代表的高维数据特征后，其输出表示为:其中，i∈{1,2,3,...,H},j∈{1,2,3,...,W},k∈{1,2,3,...,C},θ代表两种图片的类型，r代表参考图,p代表正例图；则第一类损失函数表...

【专利技术属性】
技术研发人员：黄冠杰，
申请(专利权)人：上海帆声图像科技有限公司，
类型：发明
国别省市：