【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于视觉基础模型的少样本异常分割方法、系统、终端及计算机可读存储介质。
技术介绍
1、异常分割是指在工业制造领域，从图像中定位和分割出具有缺陷或异常的区域的任务；这个任务对于提高产品的生产质量和效率具有重要意义；现有的异常分割技术主要聚焦于基于无监督的异常检测方法，只使用正常的图像来训练模型，然后将与模型的分布偏差较大的区域视为异常。
2、但是，现有的异常分割技术存在一些问题，例如：无监督的异常检测方法需要收集足够多的正常图像，才能达到满足工业应用的精度要求；在面对新的工业场景时，需要重新训练和部署全新的模型；这些耗时和不经济的解决方案，阻碍了深度学习视觉技术在工业异常检测的落地。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种基于视觉基础模型的少样本异常分割方法、系统、终端及计算机可读存储介质，旨在解决现有技术异常分割技术主要聚焦于基于无监督的异常检测方法，只使用正常的图像来训练模型无...
【技术保护点】
1.一种基于视觉基础模型的少样本异常分割方法，其特征在于，所述基于视觉基础模型的少样本异常分割方法包括：
2.根据权利要求1所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述少样本异常分割模型包括图像编码器、特征聚合器、异常提议器、异常编码器和掩码解码器。
3.根据权利要求2所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述少样本异常分割模型的训练包括第一阶段训练和第二阶段训练；
4.根据权利要求3所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述第一阶段训练具体包括：
5.根据权利要求4所...
【技术特征摘要】
1.一种基于视觉基础模型的少样本异常分割方法，其特征在于，所述基于视觉基础模型的少样本异常分割方法包括：
2.根据权利要求1所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述少样本异常分割模型包括图像编码器、特征聚合器、异常提议器、异常编码器和掩码解码器。
3.根据权利要求2所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述少样本异常分割模型的训练包括第一阶段训练和第二阶段训练；
4.根据权利要求3所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述第一阶段训练具体包括：
5.根据权利要求4所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述第二阶段训练具体包括：
6.根据权利要求5所述的基于视觉基础模型的少样本异常分割方法，其特征在于，所述特征聚合器包括轻量级的特征融合聚合模块；
7.根据权利要求6所述的...
【专利技术属性】
技术研发人员：刘维湘，余晨，钟小品，陈焜，吴宗泽，
申请(专利权)人：深圳大学，
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。