CN112907589A - 一种检测异常并且分割图像中异常区域的深度学习算法 - Google Patents

一种检测异常并且分割图像中异常区域的深度学习算法 Download PDF

Info

Publication number
CN112907589A
CN112907589A CN202110359963.0A CN202110359963A CN112907589A CN 112907589 A CN112907589 A CN 112907589A CN 202110359963 A CN202110359963 A CN 202110359963A CN 112907589 A CN112907589 A CN 112907589A
Authority
CN
China
Prior art keywords
distribution
image
positive sample
classification
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110359963.0A
Other languages
English (en)
Inventor
姚健
堵炜炜
余家伟
胡超
顾建峰
陆海妹
后彬华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Unicom Shanghai Industrial Internet Co Ltd
Original Assignee
China Unicom Shanghai Industrial Internet Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Unicom Shanghai Industrial Internet Co Ltd filed Critical China Unicom Shanghai Industrial Internet Co Ltd
Priority to CN202110359963.0A priority Critical patent/CN112907589A/zh
Publication of CN112907589A publication Critical patent/CN112907589A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明涉及无监督图像异常检测分割技术领域，尤其为一种检测异常并且分割图像中异常区域的深度学习算法，包括以下步骤；S1，首先作正样本图像特征提取，本发明通过设计检测异常并且分割图像中异常区域的深度学习算法，该算法准确度高，在公开数据集测试榜单上取得top1分类精度；推理时间快，仅需保存模型参数，无需保存正样本特征或其统计量；相较于根据特征统计量做马氏距离度量的算法，该算法适用性更广，图像无需满足对齐这一约束条件；算法流程简单，只需选取最优的单个层级特征表示，无需多层级特征融合。分割阈值可根据实际情况采取不同选取方式。算法的泛化能力好，易于复用。

Description

一种检测异常并且分割图像中异常区域的深度学习算法
技术领域
本发明涉及无监督图像异常检测分割技术领域，尤其涉及一种检测异常并且分割图像中异常区域的深度学习算法。
背景技术
现存的无监督异常分割算法，主要有两种：1.基于重建的方法，通过自编码器(AutoEncoder)重建正样本图片，由于异常样本重建前后差异较大从而分割出异常区域，此类方法模型参数量大、训练时间长，对复杂图案重建效果不佳，分割准确度不高；2.基于预训练网络提取特征表示，并用knn等方法进行图像检索，将待测图片与特征空间上最临近的正样本参考图片作对比，分割出异常区域，该方法需要构建正样本特征字典，字典的内存占用、knn搜索时间都与正样本参考图片的数量成正比，当数据量非常大时，该算法非常耗时,另外，特征提取器通常是卷积神经网络，为获取不同感受野的特征表示，需要进行多层级特征融合。
综上所述，本发明通过设计一种检测异常并且分割图像中异常区域的深度学习算法来解决存在的问题。
发明内容
本发明的目的在于提供一种检测异常并且分割图像中异常区域的深度学习算法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种检测异常并且分割图像中异常区域的深度学习算法，包括以下步骤：
S1，首先作正样本图像特征提取，使用基于大规模公开数据集(ImageNet)训练的分类网络ViT(视觉transformer)预训练模型，对正样本训练集提取特征，得到的数据体维度表示为(N,C,H,W)；
S2，通过耦合层堆叠而成的复杂流模型，对上述正样本特征进行概率密度估计；具体地，流模型以最小化观测数据的负对数似然为目标，通过梯度反向传递更新模型参数，经过训练阶段将复杂的未知数据分布映射为简单已知的多元正态分布；
S3，在测试阶段，被测样本特征经流模型得到维度不变(N,C,H,W)的数据体，对特征通道作L2范式，得到特征在位置(i，j)处的概率密度均值。例如，一张被测图片，其各个空间位置都可计算出概率密度，得到一个(H,W)的概率密度热力图，通过分割阈值筛选，做到图像块的正常/异常二分类，实现异常区域分割，并且将这个(H,W)的距离图的最大值记作异常值s,通过分类阈值筛选，做到全图的正常/异常二分类，即实现异常分类；
S4，对于分类和分割阈值的确定，提前人工标注一些真值，通过最大化AUCROC确定阈值或者在完全没有标注信息的情况下，通过正样本验证集，确定分类和分割的阈值，例如确定一个百分数，如98％，让98％的正样本位于分类阈值和分割阈值以下，此时的98％处的距离即作为阈值。
作为本发明优选的方案，所述S1中N表示训练用到的样本数量，C表示特征维度数，H和W分别的特征图的高和宽，正样本特征表示，仅需单个层级的特征，无需多尺度特征融合，并且正样本特征表示包括但不限于PCA降维、卷积网络投影、随机选取。
作为本发明优选的方案，所述S2中流模型：令X∈x记作观测数据随机变量，在这里X特指一张图片，令P为该观测数据的真实概率分布，于是有X～P，令D＝{x1，...，xN}表示的训练样本，其中xi,i＝1,…,N,通常是X的独立同分布(i.i.d.)样本，令
Figure BDA0003005140530000021
记作由参数θ∈Θ表示的参数化统计模型，其中Θ为参数空间，p(注意是小写)表示对应分布p的概率密度，在深度生成模型领域，生成模型的目标即为学习参数θ，使得pθ最近似真实的分布p，使用最大似然估计，对模型参数作最小化负对数似然：
Figure BDA0003005140530000031
其中，P(X)是由训练数据集D得到的经验分布；
在流模型(flow-based generative models)的框架中，一组服从已知先验分布pz(z)的潜变量
Figure BDA0003005140530000033
被引入，其中pz(z)通常是简单的分布，如多元正态分布，对于一个双射函数
Figure BDA0003005140530000034
(其逆函数为g＝f-1)，根据变量替换公式，X的分布可定义为
Figure BDA0003005140530000035
其中，
Figure BDA0003005140530000036
是函数fθ在x(注意是小写)处的雅可比行列式(Jacobian)。
直接地，生成过程如下定义：
Figure BDA0003005140530000037
流模型关注这类可逆的变换fθ以使得其逆函数gθ以及其雅可比行列式能够被追溯并易于计算，通过堆叠一系列这种可逆变换，该流模型具备将简单分布(pz(z))映射到任意复杂分布(p(x))从复杂的未知数据分布到简单的多元正态分布这一系列变换过程被形象地描述为“流”(flows)，如下式：
Figure BDA0003005140530000038
其中
Figure BDA0003005140530000039
为K次变换组成的流，出于简化，式中省略了参数θfromfθand gθ.；
作为本发明优选的方案，所述可逆变换包括且不限于激活标准化层(ActnormLayer)、仿射耦合层(Affine Coupling Layer)、加性耦合层(Addition Coupling Layer)、可逆1x1卷积层(invertible 1×1 convolution layer)和随机通道打乱。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过设计检测异常并且分割图像中异常区域的深度学习算法，该算法准确度高，在公开数据集测试榜单上取得top1分类精度；推理时间快，仅需保存模型参数，无需保存正样本特征或其统计量；相较于根据特征统计量做马氏距离度量的算法，该算法适用性更广，图像无需满足对齐这一约束条件；算法流程简单，只需选取最优的单个层级特征表示，无需多层级特征融合，分割阈值可根据实际情况采取不同选取方式。算法的泛化能力好，易于复用。
具体实施方式
下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例,基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：
一种检测异常并且分割图像中异常区域的深度学习算法，包括以下步骤：
S1，首先作正样本图像特征提取，使用基于大规模公开数据集(ImageNet)训练的分类网络ViT(视觉transformer)预训练模型，对正样本训练集提取特征，得到的数据体维度表示为(N,C,H,W)；
S2，通过耦合层堆叠而成的复杂流模型，对上述正样本特征进行概率密度估计；具体地，流模型以最小化观测数据的负对数似然为目标，通过梯度反向传递更新模型参数，经过训练阶段将复杂的未知数据分布映射为简单已知的多元正态分布；
S3，在测试阶段，被测样本特征经流模型得到维度不变(N，C，H，W)的数据体，对特征通道作L2范式，得到特征在位置(i，j)处的概率密度均值。例如，一张被测图片，其各个空间位置都可计算出概率密度，得到一个(H，W)的概率密度热力图，通过分割阈值筛选，做到图像块的正常/异常二分类，实现异常区域分割，并且将这个(H，W)的距离图的最大值记作异常值s，通过分类阈值筛选，做到全图的正常/异常二分类，即实现异常分类；
S4，对于分类和分割阈值的确定，提前人工标注一些真值，通过最大化AUCROC确定阈值或者在完全没有标注信息的情况下，通过正样本验证集，确定分类和分割的阈值，例如确定一个百分数，如98％，让98％的正样本位于分类阈值和分割阈值以下，此时的98％处的距离即作为阈值。
进一步的，所述S1中N表示训练用到的样本数量，C表示特征维度数，H和W分别的特征图的高和宽，正样本特征表示，仅需单个层级的特征，无需多尺度特征融合，并且正样本特征表示包括但不限于PCA降维、卷积网络投影、随机选取。
进一步的，所述S2中流模型：令X∈x记作观测数据随机变量，在这里X特指一张图片，令P为该观测数据的真实概率分布，于是有X～P，令D＝{x1，...，xN}表示我们的训练样本，其中xi，i＝1，…，N，通常是X的独立同分布(i.i.d.)样本，令
Figure BDA0003005140530000051
记作由参数·θ∈Θ表示的参数化统计模型，其中Θ为参数空间，p(注意是小写)表示对应分布p的概率密度，在深度生成模型领域，生成模型的目标即为学习参数θ，使得pθ最近似真实的分布p，使用最大似然估计，对模型参数作最小化负对数似然：
Figure BDA0003005140530000052
其中，
Figure BDA0003005140530000061
是由训练数据集D得到的经验分布；
在流模型(flow-based generative models)的框架中，一组服从已知先验分布pz(z)的潜变量
Figure BDA0003005140530000062
被引入，其中pz(z)通常是简单的分布，如多元正态分布，对于一个双射函数
Figure BDA0003005140530000067
(其逆函数为g＝f-1)，根据变量替换公式，X的分布可定义为
Figure BDA0003005140530000063
其中，
Figure BDA0003005140530000064
是函数fθ在x(注意是小写)处的雅可比行列式(Jacobian)。
直接地，生成过程如下定义：
Figure BDA0003005140530000065
流模型关注这类可逆的变换fθ以使得其逆函数gθ以及其雅可比行列式能够被追溯并易于计算，通过堆叠一系列这种可逆变换，该流模型具备将简单分布(pz(z))映射到任意复杂分布(p(x))从复杂的未知数据分布到简单的多元正态分布这一系列变换过程被形象地描述为“流”(flows)，如下式：
Figure BDA0003005140530000066
其中
Figure BDA0003005140530000068
为K次变换组成的流，出于简化，式中省略了参数θ fromfθand gθ.；
进一步的，所述可逆变换包括且不限于激活标准化层(Actnorm Layer)、仿射耦合层(Affine Coupling Layer)、加性耦合层(Addition Coupling Layer)、可逆1x1卷积层(invertible 1×1 convolution layer)和随机通道打乱。
具体实施案例：
正样本：没有缺陷的正常样本；负样本：有缺陷的样本
流模型介绍：令X∈x记作观测数据随机变量，在这里X特指一张图片，令P为该观测数据的真实概率分布，于是有X～P，令D＝{x1，...，xN}表示我们的训练样本，其中xi，i＝1，…，N，通常是X的独立同分布(i.i.d.)样本，令
Figure BDA0003005140530000071
记作由参数·θ∈Θ表示的参数化统计模型，其中Θ为参数空间，p(注意是小写)表示对应分布p的概率密度，在深度生成模型领域，生成模型的目标就是学习参数θ，使得pθ最近似真实的分布p。使用最大似然估计，我们对模型参数作最小化负对数似然：
Figure BDA0003005140530000072
其中，P(X)是由训练数据集D得到的经验分布；
在流模型(flow-based generative models)的框架中，一组服从已知先验分布pz(z)的潜变量
Figure BDA0003005140530000073
被引入，其中pz(z)通常是简单的分布，如多元正态分布，对于一个双射函数
Figure BDA0003005140530000078
(其逆函数为g＝f-1)，根据变量替换公式，X的分布可定义为
Figure BDA0003005140530000074
其中，
Figure BDA0003005140530000075
是函数fθ在x(注意是小写)处的雅可比行列式(Jacobian)。
直接地，生成过程如下定义：
Figure BDA0003005140530000076
流模型关注这类可逆的变换fθ以使得其逆函数gθ以及其雅可比行列式能够被追溯并易于计算，通过堆叠一系列这种可逆变换，该流模型具备将简单分布(pz(z))映射到任意复杂分布(p(x))从复杂的未知数据分布到简单的多元正态分布这一系列变换过程被形象地描述为“流”(flows)，如下式：
Figure BDA0003005140530000077
其中
Figure BDA0003005140530000079
为K次变换组成的流，出于简化，式中省略了参数θfromfθand gθ.；
本算法用到的可逆变换包括且不限于激活标准化层(Actnorm Layer)、仿射耦合层(Affine Coupling Layer)、加性耦合层(Addition Coupling Layer)、可逆1x1卷积层(invertible 1×1 convolution layer)、随机通道打乱等。
本算法耦合层内部子网络设计包括且不限于1x1通道卷积、3x3卷积、多头自注意力层等。
本算法用到的计算图拓扑结构操作包括且不限于条件输入、多尺度网络结构设计、分裂和连接等。
算法分为以下部分：
首先作正样本图像特征提取。使用基于大规模公开数据集(ImageNet)训练的分类网络ViT(视觉transformer)预训练模型，对正样本训练集提取特征，得到的数据体维度表示为(N，C，H，W)。其中，N表示训练用到的样本数量，C表示特征维度数，H和W分别的特征图的高和宽。对于正样本特征表示，仅需单个层级的特征，无需多尺度特征融合，该特征表示的优选包括但不限于PCA降维、卷积网络投影、随机选取等。
通过精心设计的耦合层堆叠而成的复杂流模型，对上述正样本特征进行概率密度估计。具体地，流模型以最小化观测数据的负对数似然为目标，通过梯度反向传递更新模型参数，经过训练阶段将复杂的未知数据分布映射为简单已知的多元正态分布。
在测试阶段，被测样本特征经流模型得到维度不变(N，C，H，W)的数据体，对特征通道作L2范式，得到特征在位置(i，j)处的概率密度均值。这样，一张被测图片，其各个空间位置都可计算出概率密度，得到一个(H，W)的概率密度热力图，通过分割阈值筛选，可以做到图像块的正常/异常二分类，实现异常区域分割。将这个(H,W)的距离图的最大值记作异常值s,可以通过分类阈值筛选，做到全图的正常/异常二分类，即实现异常分类。
对于分类和分割阈值的确定，可以提前人工标注一些真值，通过最大化AUCROC确定阈值；也可以在完全没有标注信息的情况下，通过正样本验证集，确定分类和分割的阈值。具体方法是确定一个百分数，如98％，让98％的正样本位于分类阈值和分割阈值以下，此时的98％处的距离即作为阈值。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，包括以下步骤：
S1，首先作正样本图像特征提取，使用基于大规模公开数据集(ImageNet)训练的分类网络ViT(视觉transformer)预训练模型，对正样本训练集提取特征，得到的数据体维度表示为(N，C，H，W)；
S2，通过耦合层堆叠而成的复杂流模型，对上述正样本特征进行概率密度估计；具体地，流模型以最小化观测数据的负对数似然为目标，通过梯度反向传递更新模型参数，经过训练阶段将复杂的未知数据分布映射为简单已知的多元正态分布；
S3，在测试阶段，被测样本特征经流模型得到维度不变(N，C，H，W)的数据体，对特征通道作L2范式，得到特征在位置(i，j)处的概率密度均值。例如，一张被测图片，其各个空间位置都可计算出概率密度，得到一个(H，W)的概率密度热力图，通过分割阈值筛选，做到图像块的正常/异常二分类，实现异常区域分割，并且将这个(H，W)的距离图的最大值记作异常值s，通过分类阈值筛选，做到全图的正常/异常二分类，即实现异常分类；
S4，对于分类和分割阈值的确定，提前人工标注一些真值，通过最大化AUCROC确定阈值或者在完全没有标注信息的情况下，通过正样本验证集，确定分类和分割的阈值，例如确定一个百分数，如98％，让98％的正样本位于分类阈值和分割阈值以下，此时的98％处的距离即作为阈值。
2.根据权利要求1所述的一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，所述S1中N表示训练用到的样本数量，C表示特征维度数，H和W分别的特征图的高和宽，正样本特征表示，仅需单个层级的特征，无需多尺度特征融合，并且正样本特征表示包括但不限于PCA降维、卷积网络投影、随机选取。
3.根据权利要求1所述的一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，所述S2中流模型：令X∈x记作观测数据随机变量，在这里X特指一张图片，令P为该观测数据的真实概率分布，于是有X～P，令D＝{x1，...，xN}表示的训练样本，其中xi，i＝1，…，N，通常是X的独立同分布(i.i.d.)样本，令
Figure FDA0003005140520000021
记作由参数·θ∈Θ表示的参数化统计模型，其中Θ为参数空间，p(注意是小写)表示对应分布p的概率密度，在深度生成模型领域，生成模型的目标即为学习参数θ，使得pθ最近似真实的分布p，使用最大似然估计，对模型参数作最小化负对数似然：
Figure FDA0003005140520000022
其中，P(X)是由训练数据集D得到的经验分布；
在流模型(flow-based generative models)的框架中，一组服从已知先验分布pz(z)的潜变量
Figure FDA0003005140520000026
被引入，其中pz(z)通常是简单的分布，如多元正态分布，对于一个双射函数
Figure FDA0003005140520000027
(其逆函数为g＝f-1)，根据变量替换公式，X的分布可定义为：
Figure FDA0003005140520000023
其中，
Figure FDA0003005140520000024
是函数fθ在x(注意是小写)处的雅可比行列式(Jacobian)。
直接地，生成过程如下定义：
Figure FDA0003005140520000025
流模型关注这类可逆的变换fθ以使得其逆函数gθ以及其雅可比行列式能够被追溯并易于计算，通过堆叠一系列这种可逆变换，该流模型具备将简单分布(pz(z))映射到任意复杂分布(p(x))从复杂的未知数据分布到简单的多元正态分布这一系列变换过程被形象地描述为“流”(flows)，如下式：
Figure FDA0003005140520000031
其中
Figure FDA0003005140520000032
为K次变换组成的流，出于简化，式中省略了参数θ from fθand gθ。
4.根据权利要求3所述的一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，所述可逆变换包括且不限于激活标准化层(Actnorm Layer)、仿射耦合层(Affine Coupling Layer)、加性耦合层(Addition Coupling Layer)、可逆1x1卷积层(invertible 1×1convolution layer)和随机通道打乱。
CN202110359963.0A 2021-04-02 2021-04-02 一种检测异常并且分割图像中异常区域的深度学习算法 Pending CN112907589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110359963.0A CN112907589A (zh) 2021-04-02 2021-04-02 一种检测异常并且分割图像中异常区域的深度学习算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110359963.0A CN112907589A (zh) 2021-04-02 2021-04-02 一种检测异常并且分割图像中异常区域的深度学习算法

Publications (1)

Publication Number Publication Date
CN112907589A true CN112907589A (zh) 2021-06-04

Family

ID=76109840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110359963.0A Pending CN112907589A (zh) 2021-04-02 2021-04-02 一种检测异常并且分割图像中异常区域的深度学习算法

Country Status (1)

Country Link
CN (1) CN112907589A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297804A (zh) * 2021-06-24 2021-08-24 上海交通大学 基于U-Transformer多层次特征重构的异常检测方法及系统
CN113627597A (zh) * 2021-08-12 2021-11-09 上海大学 一种基于通用扰动的对抗样本生成方法及系统
CN113657467A (zh) * 2021-07-29 2021-11-16 北京百度网讯科技有限公司 模型预训练方法、装置、电子设备和存储介质
CN114782888A (zh) * 2022-04-01 2022-07-22 中国铁路兰州局集团有限公司 轨道咽喉区异常检测的方法及系统
CN115937555A (zh) * 2023-03-09 2023-04-07 厦门微亚智能科技有限公司 一种基于标准化流模型的工业缺陷检测算法
WO2023087636A1 (zh) * 2021-11-16 2023-05-25 上海商汤智能科技有限公司 异常检测方法及装置、电子设备、存储介质和计算机程序产品
WO2024007938A1 (zh) * 2022-07-04 2024-01-11 北京字跳网络技术有限公司 一种多任务预测方法、装置、电子设备及存储介质
CN117474918A (zh) * 2023-12-27 2024-01-30 苏州镁伽科技有限公司 异常检测方法和装置、电子设备以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110096999A1 (en) * 2008-04-28 2011-04-28 Base Systems plc Image processing
CN103258218A (zh) * 2013-05-28 2013-08-21 清华大学 蒙版检测框架生成方法、装置、缺陷检测方法及装置
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109784142A (zh) * 2018-11-27 2019-05-21 北京理工大学 一种基于条件随机投影的高光谱目标检测方法
CN111382785A (zh) * 2020-03-04 2020-07-07 武汉精立电子技术有限公司 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN111445484A (zh) * 2020-04-01 2020-07-24 华中科技大学 一种基于图像级标注的工业图像异常区域像素级分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110096999A1 (en) * 2008-04-28 2011-04-28 Base Systems plc Image processing
CN103258218A (zh) * 2013-05-28 2013-08-21 清华大学 蒙版检测框架生成方法、装置、缺陷检测方法及装置
CN109543727A (zh) * 2018-11-07 2019-03-29 复旦大学 一种基于竞争重构学习的半监督异常检测方法
CN109784142A (zh) * 2018-11-27 2019-05-21 北京理工大学 一种基于条件随机投影的高光谱目标检测方法
CN111382785A (zh) * 2020-03-04 2020-07-07 武汉精立电子技术有限公司 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN111445484A (zh) * 2020-04-01 2020-07-24 华中科技大学 一种基于图像级标注的工业图像异常区域像素级分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DEFARD T, ET AL.: "Padim: a patch distribution modeling framework for anomaly detection and localization", 《INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION. CHAM: SPRINGER INTERNATIONAL PUBLISHING》, pages 1 - 7 *
MA X, ET AL.: "Macow: Masked convolutional generative flow", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》, pages 1 - 10 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297804A (zh) * 2021-06-24 2021-08-24 上海交通大学 基于U-Transformer多层次特征重构的异常检测方法及系统
CN113297804B (zh) * 2021-06-24 2022-02-25 上海交通大学 基于U-Transformer多层次特征重构的异常检测方法及系统
CN113657467A (zh) * 2021-07-29 2021-11-16 北京百度网讯科技有限公司 模型预训练方法、装置、电子设备和存储介质
CN113627597A (zh) * 2021-08-12 2021-11-09 上海大学 一种基于通用扰动的对抗样本生成方法及系统
CN113627597B (zh) * 2021-08-12 2023-10-13 上海大学 一种基于通用扰动的对抗样本生成方法及系统
WO2023087636A1 (zh) * 2021-11-16 2023-05-25 上海商汤智能科技有限公司 异常检测方法及装置、电子设备、存储介质和计算机程序产品
CN114782888A (zh) * 2022-04-01 2022-07-22 中国铁路兰州局集团有限公司 轨道咽喉区异常检测的方法及系统
CN114782888B (zh) * 2022-04-01 2023-06-23 中国铁路兰州局集团有限公司 轨道咽喉区异常检测的方法及系统
WO2024007938A1 (zh) * 2022-07-04 2024-01-11 北京字跳网络技术有限公司 一种多任务预测方法、装置、电子设备及存储介质
CN115937555A (zh) * 2023-03-09 2023-04-07 厦门微亚智能科技有限公司 一种基于标准化流模型的工业缺陷检测算法
CN117474918A (zh) * 2023-12-27 2024-01-30 苏州镁伽科技有限公司 异常检测方法和装置、电子设备以及存储介质
CN117474918B (zh) * 2023-12-27 2024-04-16 苏州镁伽科技有限公司 异常检测方法和装置、电子设备以及存储介质

Similar Documents

Publication Publication Date Title
CN112907589A (zh) 一种检测异常并且分割图像中异常区域的深度学习算法
CN109685135B (zh) 一种基于改进型度量学习的少样本图像分类方法
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN112991330B (zh) 基于知识蒸馏的正样本工业缺陷检测方法
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
CN110852316B (zh) 一种采用密集结构卷积网络的图像篡改检测和定位方法
CN111325236B (zh) 一种基于卷积神经网络的超声图像分类方法
JP2021190716A (ja) 弱いラベル付けを使用した半導体試料内の欠陥の検出
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN113255573B (zh) 基于混合簇中心标签学习的行人重识别方法和存储介质
CN115222650A (zh) 一种混合工业零件缺陷检测算法
US11915406B2 (en) Generating training data usable for examination of a semiconductor specimen
CN108305253A (zh) 一种基于多倍率深度学习的病理全切片诊断方法
CN111402237A (zh) 基于时空级联自编码器的视频图像异常检测方法及系统
Li et al. Image quality assessment using deep convolutional networks
WO2024021461A1 (zh) 缺陷检测方法及装置、设备、存储介质
CN114266898A (zh) 一种基于改进EfficientNet的肝癌识别方法
CN114332008A (zh) 一种基于多层次特征重构的无监督缺陷检测与定位方法
CN113034516A (zh) 一种分割图像中异常区域的深度学习算法
CN110717602B (zh) 一种基于噪音数据的机器学习模型鲁棒性评估方法
Zhang et al. Automatic head overcoat thickness measure with NASNet-large-decoder net
CN114926682A (zh) 一种基于局部离群因子的工业图像异常检测与定位方法及系统
CN116385466A (zh) 一种基于边界框弱标注的图像中目标分割方法及系统
CN112529025A (zh) 一种数据处理方法及装置
CN116309508A (zh) 一种基于图像增广和图像重构的异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination