[發(fā)明專利]一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法

在審

• 申請?zhí)枺?/td>: 202110631682.6
• 申請日: 2021-06-07
• 公開（公告）號: CN113344875A
• 公開（公告）日: 2021-09-03
• 發(fā)明（設(shè)計）人: 簡偉明;劉亦銘;趙成;孫科;朱祥將;程軒
• 申請（專利權(quán)）人: 武漢象點科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 北京盛凡智榮知識產(chǎn)權(quán)代理有限公司 11616
• 代理人: 倪建娣

1.一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法，其具體步驟如下：

S1，獲取待檢圖像；

S2，將待檢測圖像輸入模型，并獲取異常分數(shù)；

S3，判斷異常分數(shù)是否大于某特定閾值，若是，則認為該待檢圖像為異常圖像，若不是，則認為其為正常圖像。

2.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法，其特征在于：所述S2中模型為SSLAnomaly的結(jié)構(gòu)，并且SSLAnomaly的結(jié)構(gòu)包含特征提取器F(·)和映射頭G(·)，其中特征提取器采用卷積神經(jīng)網(wǎng)絡(luò)，如VGG、ResNet或者DenseNet其中的一種，映射頭包含三個MLP模塊，并且MLP的具體結(jié)構(gòu)依次包含全連接層、BN層、ReLU層及全連接層。

3.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法，其特征在于：所述S2中模型的訓(xùn)練流程，包括以下步驟：

S21，設(shè)置代理任務(wù)，獲取模擬的異常圖像I′；

S22，將原始圖像I及模擬的異常圖像I′同時輸入到SSLAnomaly中，獲取其對應(yīng)的特征嵌入E_I及E_I′：

E_I＝G(F(I))

E_I′＝G(F(I′))

S23，計算損失并更新模型參數(shù)；

模型使用的損失函數(shù)為余弦距離損失，其定義為：

其中，X代表正常樣本的分布。

SSLAnomaly通過L的反向傳播更新參數(shù)，并完成訓(xùn)練。

4.根據(jù)權(quán)利要求3所述的一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法，其特征在于：所述S21中設(shè)置代理任務(wù)，獲取模擬的異常圖像I′的具體步驟如下：

(a)獲取輸入圖像I的邊長n；

(b)在圖像I中隨機放置一個圓形(直徑為0.05n)或正方形(邊長為0.05n)候選框，并獲取其對應(yīng)的圖像塊I_P；

(c)分別在水平和垂直方向上對(b)中獲取的圖像塊I_P進行縮放，縮放比例介于0.3～3；

(d)對(c)中圖像塊進行隨機旋轉(zhuǎn)、水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)；

(e)對(d)中圖像塊進行圖像增強，并獲取增強后的圖像I′_P，增強的具體方法包括隨機強度(最大強度0.1)的亮度、對比度、飽和度及色相變化；

(f)在圖像I隨機放置一個大小同I′_P的候選框，并獲取其對應(yīng)的圖像塊I_C；

(g)計算I′_P與I_C融合后的圖像塊I″_P，計算公式為：I″_P＝λI′_P+(1-λ)I_C，其中λ∈[0,1]，用于控制融合后的I′_P比例；

(h)使用I″_P替換掉I_C；

(i)重復(fù)操作(b)-(h)n次，其中n為介于1～3的隨機整數(shù)，獲取模擬的異常圖像I′。

5.根據(jù)權(quán)利要求1所述的一種基于自監(jiān)督學(xué)習(xí)的異常圖像檢測方法，其特征在于：所述S2中異常分數(shù)的計算方法，具體包括以下步驟：

(1)獲取圖像特征：

考慮到多個MLP獲取的特征嵌入容易在模擬的異常圖像上產(chǎn)生過擬合，使用第一個MLP的輸出作為輸入圖像的特征x，其計算方法如下：

x＝g₁(F(I))

其中，g₁為第一個MLP。

(2)計算異常分數(shù)P(x)：

其中，m為訓(xùn)練樣本數(shù)，x⁽ⁱ⁾為第i個訓(xùn)練樣本的特征，n為特征x的長度。