【技术实现步骤摘要】
本申请涉及图像检测，具体涉及一种基于特征级异常合成的自监督图像异常检测方法及装置。
技术介绍
1、图像异常检测是对图像数据集中意外或异常的图像模式进行识别，包括但不限于图像语义异常检测、工业产品表面缺陷检测、监控视频异常检测等。异常在现实世界中很少发生，并且通常难以收集和标记，因此实际获取的数据中一般只有正常图像。为了在这种情况下进行异常检测，现有技术提出了自监督异常检测方案。
2、自监督异常检测的思想是给正常图像加上补丁块来合成异常图像，产生监督信息。例如申请公布号cn202310138554.7，cn202310421371.6，cn202310242289.7等。然而，现有自监督方法都是从图像空间中直接构造异常，由于缺乏关于异常模式的足够的先验知识，所以创建的异常并不能模拟异常的众多真实可能性，与真实异常之间存在分布偏差，进而造成异常检测的准确性较低。例如图像语义异常检测任务中，需要检出某类物品(如螺丝刀)图像中混入的其他类物品(如铁锤)图像，这时从图像空间中将无法合成异常样本。
技术实现思路
1、本申请旨在解决现有自监督图像异常检测方式中合成异常与真实异常存在分布偏差、准确性较低的问题，提出一种基于特征级异常合成的自监督图像异常检测方法及装置。
2、本申请解决上述技术问题所采用的技术方案是：
3、第一方面，提供一种基于特征级异常合成的自监督图像异常检测方法，所述方法包括：
4、获取正常图像，通过预训练网络提取所述正常图像的第一
5、对所述正常图像的第一特征添加噪声，获得对应异常图像的第一特征，再通过预训练网络提取所述异常图像的第二特征；
6、根据所述正常图像的第二特征和异常图像的第二特征训练分类器；
7、通过预训练网络提取待测图像的第二特征，根据所述待测图像的第二特征并基于所述分类器判断待测图像是否异常。
8、进一步地，对所述正常图像的第一特征添加噪声，具体包括：
9、对尺寸为(c,h,w)的正常图像的第一特征的每一个位置(h,w)，添加c维的高斯噪声e～n(μ,σ2)，其中，c为第一特征的通道数，h为第一特征的高，w为第一特征的宽，μ为c维高斯分布的期望，σ2为c维高斯分布的协方差。
10、进一步地，通过预训练网络提取所述异常图像的第二特征，具体包括：
11、将所述异常图像的第一特征输入至预训练网络第m1+1个特征抽取块层，获取预训练网络第m2个特征抽取块层的输出特征，并将其作为异常图像的第二特征。
12、进一步的，所述方法还包括：
13、对所述正常图像的第一特征独立添加k次噪声，得到每个正常图像对应的k个异常图像的第二特征，k为预设的正整数。
14、进一步地，根据所述正常图像的第二特征和异常图像的第二特征训练分类器，具体包括：
15、分别获取多张正常图像，并分别获取各正常图像的第二特征以及对应异常图像的第二特征，将所述正常图像的第二特征作为负样本，将所述异常图像的第二特征作为正样本，训练分类器。
16、进一步地，所述分类器为贝叶斯分类器、支持向量机、决策树分类器或神经网络。
17、进一步地，当所述分类器为神经网络时，其损失函数如下：
18、
19、其中，p(i)表示分类器输出的预测概率，y表示样本i的类别，当i是异常图像的第二特征时，y的值取1，当i是正常图像的第二特征时，y的值取0。
20、进一步地，通过预训练网络提取待测图像的第二特征，具体包括：
21、将待测图像输入至预训练网络中，获取预训练网络第m2个特征抽取块层对应的输出特征，并将其作为待测图像的第二特征。
22、进一步地，根据所述待测图像的第二特征并基于所述分类器判断待测图像是否异常，具体包括：
23、将待测图像的第二特征输入至所述分类器中，判断其是否为正样本，若是，则判定待测图像为异常图像，否则判定待测图像为正常图像。
24、第二方面，提供一种基于特征级异常合成的自监督图像异常检测装置，所述装置包括：
25、特征提取模块，用于获取正常图像，通过预训练网络提取所述正常图像的第一特征和第二特征，所述第一特征为预训练网络第m1个特征抽取块层的输出特征，所述第二特征为预训练网络第m2个特征抽取块层的输出特征，其中，m1和m2为预设的正整数，1≤m1<m2≤m，m为预训练网络的特征抽取块层的数量；
26、异常合成模块，用于对所述正常图像的第一特征添加噪声，获得对应异常图像的第一特征，再通过预训练网络提取所述异常图像的第二特征；
27、特征分类模块，用于根据所述正常图像的第二特征和异常图像的第二特征训练分类器；
28、异常判断模块，用于通过预训练网络提取待测图像的第二特征，根据所述待测图像的第二特征并基于所述分类器判断待测图像是否异常。
29、本申请的有益效果是：本申请所述的基于特征级异常合成的自监督图像异常检测方法及装置，从特征空间中合成异常，可以缓解合成异常和真实异常的分布偏差，对于语义级异常检测也能够适用，而现有的基于图像空间的异常合成方法则难以处理此类任务；同无监督异常检测一样，本申请不需要真实的异常样本，并且本申请通过合成监督信息来训练模型，相比于常见的无监督方法效果更好，从而提高了图像异常检测的准确性；此外本申请特征空间中可以合成各种模式的异常，无需限定真实的异常模式，扩展了异常检测的应用场景。
本文档来自技高网...【技术保护点】
1.基于特征级异常合成的自监督图像异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，对所述正常图像的第一特征添加噪声，具体包括：
3.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，通过预训练网络提取所述异常图像的第二特征，具体包括：
4.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，根据所述正常图像的第二特征和异常图像的第二特征训练分类器，具体包括：
6.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，所述分类器为贝叶斯分类器、支持向量机、决策树分类器或神经网络。
7.根据权利要求6所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，当所述分类器为神经网络时，其损失函数如下：
8.根据权利要求1所述的基于特征级异常合成的自监督图像异常
9.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，根据所述待测图像的第二特征并基于所述分类器判断待测图像是否异常，具体包括：
10.基于特征级异常合成的自监督图像异常检测装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.基于特征级异常合成的自监督图像异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，对所述正常图像的第一特征添加噪声，具体包括：
3.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，通过预训练网络提取所述异常图像的第二特征，具体包括：
4.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的基于特征级异常合成的自监督图像异常检测方法，其特征在于，根据所述正常图像的第二特征和异常图像的第二特征训练分类器，具体包括：
6.根据权利要求1...
【专利技术属性】
技术研发人员：胡亮，展华益，黄周，王镜宇，郑敏娥，陶原野，李聪聪，
申请(专利权)人：四川启睿克科技有限公司，
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。