一种基于自监督学习与知识蒸馏的图像异常检测方法技术

本发明专利技术公开了一种基于自监督学习与知识蒸馏的图像异常检测方法，包括生成伪异常、教师编码器、学生解码器网络、异常区域分割等步骤。与现有方法不同的是，本发明专利技术针对现有方法将去噪或重构网络与异常得分生成的步骤分开的问题，提出了一个端到端的网络，利用了多个尺度的特征图，兼顾异常检测与定位。这一创新不仅提高了训练效率，还避免了复杂的后处理设计。同时，本发明专利技术通过模拟异常图像，以自监督学习的方式训练模型，让模型能更好地适应异常检测任务。值得注意的是，该发明专利技术在公开数据集上取得了显著的优异得分，证明了其在真实场景中的实用性和有效性。本发明专利技术是一种端到端的图像异常检测方法，以分割网络作为异常得分预测模块，无需其他后处理，具有检测效果好、存储空间占用少、推理速度快、鲁棒性好的优点，能够满足实际应用的需要。

【技术实现步骤摘要】

本专利技术属于图像异常检测，尤其涉及一种基于自监督学习与知识蒸馏的图像异常检测方法。

技术介绍

1、图像异常检测技术是计算机视觉的一个重要领域，在工业、医疗等行业都有广泛的应用。在实际场景中，由于异常样本非常难以获取且异常模式很不固定，现阶段的技术通常是使用无监督学习的方法在正常样本上训练异常检测模型，使模型学习到正常样本的模式来区分异常。

2、近年来，一些基于深度学习的图像异常检测方法成为主流。就异常图生成的方法而言，它们主要有两类——基于图像分割的方法和基于手工特征的后处理方法。其中，基于图像分割的方法一般使用重构网络的输出与原始图像的拼接作为输入，之后再结合经典的分割网络，如unet来进行异常图的生成。这类算方法整体上表现良好，但是重构网络与分割网络的联合训练一般效率低下，需要耗费大量的计算资源与时间成本；此外，重构网络的泛化能力使得其对于细微异常的得分一般。基于手工特征后处理的方法施行简单，但是鲁棒性不如前者，且针对不同的数据集，需要耗费大量的时间对参数进行特定的调整。目前，通常使用基于无监督学习和图像重构的方法进行图像异常检测，有些引本文档来自技高网...

【技术保护点】

1.一种基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，在所述步骤S1中，数据增强方式为：在对比度、饱和度、锐度、仿射变换、旋转中随机选取三种增强方式并依次执行，增强后统一进行缩放；将图片缩放至尺寸H×W，H为缩放后图片的高度，W为缩放后图片的宽度。

3.根据权利要求2所述的基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，所述步骤S2的具体过程为：

4.根据权利要求3所述的基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，所述步骤S3的...

【技术特征摘要】

1.一种基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，在所述步骤s1中，数据增强方式为：在对比度、饱和度、锐度、仿射变换、旋转中随机选取三种增强方式并依次执行，增强后统一进行缩放；将图片缩放至尺寸h×w，h为缩放后图片的高度，w为缩放后图片的宽度。

3.根据权利要求2所述的基于自监督学习与知识蒸馏的图像异常检测方法，其特征在于，所述步骤s2的具体过程...

【专利技术属性】
技术研发人员：徐琴珍，徐俐，马翔，陈家豪，杨绿溪，
申请(专利权)人：东南大学，
类型：发明
国别省市：