本发明专利技术公开了一种正常样本原型驱动的视觉异常检测方法，利用深度学习和计算机视觉技术以无监督的方式实现视觉异常检测功能，通过数据预处理模块构建数据集；利用图像重建和向量量化技术提取一组能够代表正常样本的、紧凑的目标原型，并设计了一种熵正则的最优化传输算法增强的高效原型学习策略；使用正常样本原型指导的交叉注意力模块实现测试样本特征和正常样本原型的动态参考以定位异常区域；根据损失函数对模型进行训练优化；最后通过实际案例对模型进行测试。本发明专利技术能够在无需异常样本的情况下训练视觉异常检测深度模型，实现自动化的、高精度的视觉异常检测和定位，有效减轻了相关工作人员的负担，提升了生产效率。
【技术实现步骤摘要】
本专利技术涉及视觉异常检测方法，具体涉及一种正常样本原型驱动的视觉异常检测方法。
技术介绍
1、视觉异常检测是计算机视觉领域的一个重要研究方向，旨在自动识别图像或视频中的异常模式。这项技术在许多应用领域都有广泛的应用，包括视频监控、工业质检、医学图像分析等。以往采用人工目视检查，需要耗费大量的人力和时间成本，且存在着主观性强、易出错等问题。自动、快速地视觉异常检测和定位，可有效减少相关工作人员的负担，节约成本，提升生产效率。
2、现有技术中已经具有一些视觉异常检测的方法，然而他们对训练数据集有较高要求，这对于那些异常训练样本匮乏的场景并不适用；并且目前的异常检测算法表现出来的精度不够，往往不足以满足当下的生产要求。
技术实现思路
1、为了解决
技术介绍
中的问题，本专利技术提出了一种正常样本原型驱动的视觉异常检测方法。该方法基于深度学习技术，首先寻找能够代表正常样本模式的、紧凑的正常样本原型，然后通过参考正常型原型来揭示测试样本的异常区域，实现自动的异常检测和定位功能。
>2、本专利技术采用本文档来自技高网...
【技术保护点】
1.一种基于正常样本原型的视觉异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤1)具体为：
3.根据权利要求1所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤2)中所述图像重建网络包括一个编码器E、一个解码器G和一个量化器模块，同时另外定义一个可学习的正常样本原型码本Z；
4.根据权利要求3所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤2)中熵正则的最优化传输算法增强的原型学习策略执行以下操作：
5.根据权利要求1所述的一种正常样本原型驱...
【技术特征摘要】
1.一种基于正常样本原型的视觉异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤1)具体为：
3.根据权利要求1所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤2)中所述图像重建网络包括一个编码器e、一个解码器g和一个量化器模块，同时另外定义一个可学习的正常样本原型码本z；
4.根据权利要求3所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，步骤2)中熵正则的最优化传输算法增强的原型学习策略执行以下操作：
5.根据权利要求1所述的一种正常样本原型驱动的视觉异常检测方法，其特征在于，所述步骤3)具体为：
6.根据权利要求5所述的一种正常样本原型驱动...
【专利技术属性】
技术研发人员：徐昊昊，徐舒畅，
申请(专利权)人：杭州师范大学，
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。