【技术实现步骤摘要】
本申请涉及图像处理领域，特别是涉及一种异常图像的检测方法、生成方法、装置和计算机设备。
技术介绍
1、随着互联网与多媒体技术的发展，在视频的播放过程中由于受到网络传输性能限制、编解码功能缺陷或其它干扰等多种因素的影响，视频在传输和存储过程中可能会产生一些帧损坏，视为异常帧，比如条纹、马赛克、撕裂、运动残差、绿屏等花屏现象。为了提高用户的视频播放体验，视频中异常图像的检测尤为重要。
2、目前，花屏图像的检测方法包括：视频帧的梯度单一性值方法、视频帧边缘图像的灰度梯度值方法、图像子区域的边缘像素方法、色彩空间变换方法等。然而这些方法能够检测出的花屏种类很少，于是出现了训练深度学习神经网络作为分类器实现花屏检测的方法。
3、但是，目前的用于检测花屏的神经网络的算法复杂度比较高，难以在资源有限的移动设备、嵌入式设备等边缘设备中实时检测花屏。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够减少资源占用的异常图像的检测方法和生成方法，以及相应的装置、计算机设备、...
【技术保护点】
1.一种异常图像的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述骨干网络包括多个级联的轻量化神经网络模块，至少一个所述轻量化神经网络模块中采用所述逐点卷积和所述逐通道卷积对图像进行特征。
3.根据权利要求2所述的方法，其特征在于，所述轻量化神经网络模块包括：第一分支、第二分支、通道拼接层；
4.根据权利要求3所述的方法，其特征在于，所述轻量化神经网络模块还包括通道洗牌层；
5.根据权利要求3所述的方法，其特征在于，所述第一分支包括：依次连接的第一逐点卷积层、第一逐通道卷积层和第二逐点
【技术特征摘要】
1.一种异常图像的检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述骨干网络包括多个级联的轻量化神经网络模块，至少一个所述轻量化神经网络模块中采用所述逐点卷积和所述逐通道卷积对图像进行特征。
3.根据权利要求2所述的方法，其特征在于，所述轻量化神经网络模块包括：第一分支、第二分支、通道拼接层；
4.根据权利要求3所述的方法，其特征在于，所述轻量化神经网络模块还包括通道洗牌层；
5.根据权利要求3所述的方法，其特征在于，所述第一分支包括：依次连接的第一逐点卷积层、第一逐通道卷积层和第二逐点卷积层。
6.根据权利要求3所述的方法，其特征在于，所述第二分支包括：依次连接的全局池化层和第三逐点卷积层。
7.根据权利要求3所述的方法，其特征在于，每个所述轻量化神经网络模块还包括：第三分支、分支加法器；
8.根据权利要求7所述的方法，其特征在于，所述第三分支包括第二逐通道卷积。
9.根据权利要求2-8任一项所述的方法，其特征在于，所述骨干网络还包括多个卷积核和池化层，所述将待检测图像输入至预设的异常图像检测模型中进行异常检测，得到检测结果，包括：
10.根据权利要求9所述的方法，其特征在于，所述将所述第三特征图输入至所述特征融合网络中进行特征融合于分析，得到所述检测结果，包括：
11.根据权利要求1所述的方法，其特征在于，所述特征融合网络包括逐点卷积模块、第一逐通道卷积模块和融合层；
12.根据权利要求11所述的方法，其特征在于，所述逐点卷积模块包括至少两个第四逐点卷积层，所述第一逐通道卷积模块包括至少两个第三逐通道卷层，所述第四逐点卷积层与对应的第三逐通道卷积层连接，各所述第三逐通道卷积层均与所述融合模块连接。
13.根据权利要求12所述的方法，其特征在于，所述逐点卷积模块包括n个所述第四逐点卷积层，所述第一逐通道卷积模块包括n个所述第三逐通道卷积层；第n-1个所述第四逐点卷积层与第n-1个所述第三逐通道卷积层之间通过第一加法器连接；n大于或等于2；
14.根据权利要求13所述的方法，其特征在于，所述特征融合网络还包括第二逐通道卷积模块，所述第二逐通道卷积模块包括n个第四逐通道卷层；第n个所述第三逐通道卷积层与第n个第四逐通道卷积层之间通过第二加法器连接；
15.根据权利要求13所述的方法，其特征在于，训练所述异常图像检测模型的方法，包括：<...
【专利技术属性】
技术研发人员：王中元，杨冀帆，杨智尧，李向宇，於霄鹤，
申请(专利权)人：武汉大学，
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。