CN114240968A - 一种分割图像中异常区域的自监督深度学习算法 - Google Patents
一种分割图像中异常区域的自监督深度学习算法 Download PDFInfo
- Publication number
- CN114240968A CN114240968A CN202111548389.XA CN202111548389A CN114240968A CN 114240968 A CN114240968 A CN 114240968A CN 202111548389 A CN202111548389 A CN 202111548389A CN 114240968 A CN114240968 A CN 114240968A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- network
- mask
- segmentation
- differentiable
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000013135 deep learning Methods 0.000 title claims description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及自监督图像异常分割技术领域,尤其为一种分割图像中异常区域的自监督深度学习算法,包括特征提取的构成、基于硬图像增强或引入其它数据集生成的伪异常掩码和可微分的二值化网络的异常分割,其中特征提取的构成采用ResNet+FPN的结构,即为残差网络加特征金字塔结构,伪异常掩码为pseudo mask,可微分的二值化网络为DBNet,本发明通过设计一种分割图像中异常区域的自监督深度学习算法,此算法准确度高,推理速度快,无需人为指定阈值,能够端到端训练和推理,有效的解决了现有的无监督异常分割算法无法端到端训练和推理,需要人为指定阈值等缺点,提出一种无需人为指定阈值、可以端到端训练和推理的自监督异常分割算法的问题。
Description
技术领域
本发明涉及自监督图像异常分割技术领域,尤其涉及一种分割图像中异常区域的自监督深度学习算法。
背景技术
现存的无监督异常分割算法,主要有两大类,其一是基于图像重建的方法,通过对自编码器(AutoEncoder)进行训练,使其能够提取训练集图片的特征并进行重建,而异常图片由于有其他特征无法很好的重建,从而达到区分异常的目的;另一类主要使用预训练模型如ResNet-50在ImageNet上训练的分类网络,进行特征提取,然后使用聚类的方式来区分正常和异常。这两类方法都需要人为指定阈值,异常分割图像则是根据异常分值图像后处理得到的,带有主观性,且整个流程相较于端到端训练和推理,缺乏一定的便利性。
综上所述,本发明通过设计一种分割图像中异常区域的自监督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分割图像中异常区域的自监督深度学习算法,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:
一种分割图像中异常区域的自监督深度学习算法,包括特征提取的构成、基于硬图像增强或引入其它数据集生成的伪异常掩码和可微分的二值化网络的异常分割,其中特征提取的构成采用ResNet+FPN的结构,即为残差网络加特征金字塔结构,伪异常掩码为pseudo mask,可微分的二值化网络为DBNet,其具体步骤如下:
S1,伪异常掩码的数据准备:首先需要对原始数据集进行初步加工,生成异常数据和对应的异常mask,从而具有以下两种方法:
A.基于硬数据增强的方式:利用裁剪,旋转,平移,像素变化等方式产生和原始图片不一样特征的区域,即异常区域,同时,生成对应的异常mask;
B.引入其它数据集的方法:通常对于一个指定数据集,其他不相干数据集的图片被认为是异常的,同时引入的区域有一定的独立语义,其方式是引入语义分割图片,比如coco的分割图片,根据语义分割的mask裁剪图片,作为异常区域引入训练集,对应的语义分割mask作为异常mask进行监督;
实际操作时,将上述两种方法进行有机结合,此外,由于异常区域是合成的,边缘区域的梯度相对较高,为了防止网络错误的学习到梯度信息,需要对合成的异常区域边缘增加高斯模糊进行平滑,同时引入白点噪声增强网络的鲁棒性,另外,为了进一步提高数据的多样性,异常数据的生成并非固定的,而是对每一张训练集,有一定的概率p产生异常区域,区域的位置也会在合理的范围内随机生成,大大增加了训练集的多样性,其表达式如下所示:
S2,特征提取的构成:搭建ResNet残差网络,根据实际任务选择合适的网络深度,即ResNet-18,50或101,同时为了增加网络对细节特征的提取能力,引入特征金字塔结构即FPN,利用ImageNet上面的预训练分类模型,得到网络权重,考虑到视觉的底层任务是相通的,将底层网络参数冻结,只对顶层参数进行微调;
S3,可微分的二值化网络的异常分割:传统异常分割方法的人为设定阈值操作主要是因为二值化而导致的,所以要取消人为设定阈值,只需要对传统的二值化操作进行改进即可,为达到这个目的,引入了可微分二值化网络,其实质是对阈值进行了学习,同时让梯度反向传播,对原本不可微的二值化函数进行了平滑,使其保留二值化功能的同时,进行求梯度的操作,进而能进行反向传播和参数更新,可微分二值化函数的表达式如下所示:
作为本发明优选的方案,所述S1中中Img表示原始图片,AnoAug(Img)表示生成异常区域的操作,x为0到1的随机数,p表示进行异常生成的概率大小。
作为本发明优选的方案,所述S2中B表示二值图像,P表示预测的异常分值图,T表示预测的阈值图,下脚标(i,j)表示像素坐标。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过设计一种分割图像中异常区域的自监督深度学习算法,此算法准确度高,推理速度快,无需人为指定阈值,能够端到端训练和推理,有效的解决了现有的无监督异常分割算法无法端到端训练和推理,需要人为指定阈值等缺点,提出一种无需人为指定阈值、可以端到端训练和推理的自监督异常分割算法的问题。
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:
一种分割图像中异常区域的自监督深度学习算法,包括特征提取的构成、基于硬图像增强或引入其它数据集生成的伪异常掩码和可微分的二值化网络的异常分割,其中特征提取的构成采用ResNet+FPN的结构,即为残差网络加特征金字塔结构,伪异常掩码为pseudo mask,可微分的二值化网络为DBNet,其具体步骤如下:
S1,伪异常掩码的数据准备:首先需要对原始数据集进行初步加工,生成异常数据和对应的异常mask,从而具有以下两种方法:
A.基于硬数据增强的方式:利用裁剪,旋转,平移,像素变化等方式产生和原始图片不一样特征的区域,即异常区域,同时,生成对应的异常mask;
B.引入其它数据集的方法:通常对于一个指定数据集,其他不相干数据集的图片被认为是异常的,同时引入的区域有一定的独立语义,其方式是引入语义分割图片,比如coco的分割图片,根据语义分割的mask裁剪图片,作为异常区域引入训练集,对应的语义分割mask作为异常mask进行监督;
实际操作时,将上述两种方法进行有机结合,此外,由于异常区域是合成的,边缘区域的梯度相对较高,为了防止网络错误的学习到梯度信息,需要对合成的异常区域边缘增加高斯模糊进行平滑,同时引入白点噪声增强网络的鲁棒性,另外,为了进一步提高数据的多样性,异常数据的生成并非固定的,而是对每一张训练集,有一定的概率p产生异常区域,区域的位置也会在合理的范围内随机生成,大大增加了训练集的多样性,其表达式如下所示:
S2,特征提取的构成:搭建ResNet残差网络,根据实际任务选择合适的网络深度,即ResNet-18,50或101,同时为了增加网络对细节特征的提取能力,引入特征金字塔结构即FPN,利用ImageNet上面的预训练分类模型,得到网络权重,考虑到视觉的底层任务是相通的,将底层网络参数冻结,只对顶层参数进行微调;
S3,可微分的二值化网络的异常分割:传统异常分割方法的人为设定阈值操作主要是因为二值化而导致的,所以要取消人为设定阈值,只需要对传统的二值化操作进行改进即可,为达到这个目的,引入了可微分二值化网络,其实质是对阈值进行了学习,同时让梯度反向传播,对原本不可微的二值化函数进行了平滑,使其保留二值化功能的同时,进行求梯度的操作,进而能进行反向传播和参数更新,可微分二值化函数的表达式如下所示:
作为本发明进一步优选的方案,所述S1中Img表示原始图片,AnoAug(Img)表示生成异常区域的操作,x为0到1的随机数,p表示进行异常生成的概率大小。
作为本发明进一步优选的方案,所述S2中B表示二值图像,P表示预测的异常分值图,T表示预测的阈值图,下脚标(i,j)表示像素坐标。
具体实施案例:
本发明解决其技术问题所采用的主要技术方案包含三部分:残差网络加特征金字塔结构的特征提取(ResNet+FPN)、基于硬图像增强或引入其它数据集生成的伪异常掩码(pseudo mask)、可微分的二值化网络(DBNet)。具体如下:
1.特征提取网络采用ResNet+FPN的结构,网络深度可根据实际选择18,50或101等,权重参数可选择ImageNet预训练模型,训练的时候冻结底层参数进行微调即可;
2.pseudo mask有两种生成方式,一种采用硬数据增强的方式(hard imageaugment),其通过旋转,裁剪,像素变化等操作产生不符合正常特征分布的区域,也就是异常区域,另一种通过从其他数据集中裁剪(如coco数据集中的语义分割mask)的方式获得异常区域,生成的伪异常区域用于对网络进行训练;
3.可微分的二值化网络,人为指定阈值的步骤一般发生在二值化过程,通过引入可微分二值化网络(DBNet),使得二值化操作可以作为网络的一部分进行训练,直接输出异常分割预测图,这是实现端到端训练和推理的关键,同时也省去了人为指定阈值的过程。
算法分为以下部分:
Step1:伪异常掩码的数据准备:首先需要对原始数据集进行初步加工,生成异常数据和对应的异常mask,从而具有以下两种方法:
A.基于硬数据增强的方式:利用裁剪,旋转,平移,像素变化等方式产生和原始图片不一样特征的区域,即异常区域,同时,生成对应的异常mask;
B.引入其它数据集的方法:通常对于一个指定数据集,其他不相干数据集的图片是可以被认为是异常的,同时为了保证引入的区域有一定的独立语义,最好的方式是引入语义分割图片,比如coco的分割图片,根据语义分割的mask裁剪图片,作为异常区域引入训练集,对应的语义分割mask作为异常mask进行监督;
实际操作时,可以对上述两种方法进行有机结合。此外,由于异常区域是合成的,边缘区域的梯度相对较高,为了防止网络错误的学习到梯度信息,需要对合成的异常区域边缘增加高斯模糊进行平滑,同时引入白点噪声增强网络的鲁棒性。另外,为了进一步提高数据的多样性,异常数据的生成并非固定的,而是对每一张训练集,有一定的概率p产生异常区域,区域的位置也会在合理的范围内随机生成,大大增加了训练集的多样性:
上式中,中Img表示原始图片,AnoAug(Img)表示生成异常区域的操作,x为0到1的随机数,p表示进行异常生成的概率大小;
通过这样的设计,将无监督转为有异常mask(且该mask并非人工标注获得)的自监督,省去了传统方法多阶段的繁琐流程;
Step2:特征提取的构成:搭建ResNet残差网络,可根据实际任务选择合适的网络深度(ResNet-18,50或101),同时为了增加网络对细节特征的提取能力,引入特征金字塔结构(FPN),利用ImageNet上面的预训练分类模型,得到网络权重,考虑到视觉的底层任务是相通的,可以将底层网络参数冻结,只对顶层参数进行微调,可以使模型收敛更快,性能更佳;
Step3:可微分的二值化网络的异常分割:传统异常分割方法的人为设定阈值操作主要是因为二值化而导致的,所以要取消人为设定阈值,只需要对传统的二值化操作进行改进即可。为达到这个目的,引入了可微分二值化网络,其实质是对阈值进行了学习,同时为了可以让梯度反向传播,对原本不可微的二值化函数进行了平滑,使其保留二值化功能的同时,可以进行求梯度的操作,进而能进行反向传播和参数更新。
可微分二值化函数的表达式如下所示:
上式中,B表示二值图像,P表示预测的异常分值图,T表示预测的阈值图,下脚标(i,j)表示像素坐标。
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 (3)
1.一种分割图像中异常区域的自监督深度学习算法,其特征在于,包括特征提取的构成、基于硬图像增强或引入其它数据集生成的伪异常掩码和可微分的二值化网络的异常分割,其中特征提取的构成采用ResNet+FPN的结构,即为残差网络加特征金字塔结构,伪异常掩码为pseudo mask,可微分的二值化网络为DBNet,其具体步骤如下:
S1,伪异常掩码的数据准备:首先需要对原始数据集进行初步加工,生成异常数据和对应的异常mask,从而具有以下两种方法:
A.基于硬数据增强的方式:利用裁剪,旋转,平移,像素变化等方式产生和原始图片不一样特征的区域,即异常区域,同时,生成对应的异常mask;
B.引入其它数据集的方法:通常对于一个指定数据集,其他不相干数据集的图片被认为是异常的,同时引入的区域有一定的独立语义,其方式是引入语义分割图片,比如coco的分割图片,根据语义分割的mask裁剪图片,作为异常区域引入训练集,对应的语义分割mask作为异常mask进行监督;
实际操作时,将上述两种方法进行有机结合,此外,由于异常区域是合成的,边缘区域的梯度相对较高,为了防止网络错误的学习到梯度信息,需要对合成的异常区域边缘增加高斯模糊进行平滑,同时引入白点噪声增强网络的鲁棒性,另外,为了进一步提高数据的多样性,异常数据的生成并非固定的,而是对每一张训练集,有一定的概率p产生异常区域,区域的位置也会在合理的范围内随机生成,大大增加了训练集的多样性,其表达式如下所示:
S2,特征提取的构成:搭建ResNet残差网络,根据实际任务选择合适的网络深度,即ResNet-18,50或101,同时为了增加网络对细节特征的提取能力,引入特征金字塔结构即FPN,利用ImageNet上面的预训练分类模型,得到网络权重,考虑到视觉的底层任务是相通的,将底层网络参数冻结,只对顶层参数进行微调;
S3,可微分的二值化网络的异常分割:传统异常分割方法的人为设定阈值操作主要是因为二值化而导致的,所以要取消人为设定阈值,只需要对传统的二值化操作进行改进即可,为达到这个目的,引入了可微分二值化网络,其实质是对阈值进行了学习,同时让梯度反向传播,对原本不可微的二值化函数进行了平滑,使其保留二值化功能的同时,进行求梯度的操作,进而能进行反向传播和参数更新,可微分二值化函数的表达式如下所示:
2.根据权利要求1所述的一种分割图像中异常区域的自监督深度学习算法,其特征在于,所述S1中Img表示原始图片,AnoAug(Img)表示生成异常区域的操作,x为0到1的随机数,p表示进行异常生成的概率大小。
3.根据权利要求1所述的一种分割图像中异常区域的自监督深度学习算法,其特征在于,所述S2中B表示二值图像,P表示预测的异常分值图,T表示预测的阈值图,下脚标(i,j)表示像素坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548389.XA CN114240968A (zh) | 2021-12-17 | 2021-12-17 | 一种分割图像中异常区域的自监督深度学习算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111548389.XA CN114240968A (zh) | 2021-12-17 | 2021-12-17 | 一种分割图像中异常区域的自监督深度学习算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240968A true CN114240968A (zh) | 2022-03-25 |
Family
ID=80757665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111548389.XA Pending CN114240968A (zh) | 2021-12-17 | 2021-12-17 | 一种分割图像中异常区域的自监督深度学习算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240968A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781967A (zh) * | 2019-10-29 | 2020-02-11 | 华中科技大学 | 一种基于可微分二值化的实时文本检测方法 |
CN111652217A (zh) * | 2020-06-03 | 2020-09-11 | 北京易真学思教育科技有限公司 | 文本检测方法、装置、电子设备及计算机存储介质 |
CN112669274A (zh) * | 2020-12-23 | 2021-04-16 | 山东大学 | 一种用于表面异常区域像素级分割的多任务检测方法 |
CN112801962A (zh) * | 2021-01-19 | 2021-05-14 | 上海大学 | 基于正样本学习的半监督工业制品瑕疵检测方法及系统 |
CN113034516A (zh) * | 2021-03-24 | 2021-06-25 | 联通(上海)产业互联网有限公司 | 一种分割图像中异常区域的深度学习算法 |
CN113096080A (zh) * | 2021-03-30 | 2021-07-09 | 四川大学华西第二医院 | 图像分析方法及系统 |
US20210241034A1 (en) * | 2020-01-31 | 2021-08-05 | Element Al Inc. | Method of and system for generating training images for instance segmentation machine learning algorithm |
CN113222998A (zh) * | 2021-04-13 | 2021-08-06 | 天津大学 | 基于自监督低秩网络的半监督图像语义分割方法及装置 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN113516126A (zh) * | 2021-07-02 | 2021-10-19 | 成都信息工程大学 | 一种基于注意力特征融合的自适应阈值场景文本检测方法 |
CN113569865A (zh) * | 2021-09-27 | 2021-10-29 | 南京码极客科技有限公司 | 一种基于类别原型学习的单样本图像分割方法 |
CN113643289A (zh) * | 2021-10-13 | 2021-11-12 | 海门市芳华纺织有限公司 | 基于图像处理的织物表面缺陷检测方法和系统 |
CN113658115A (zh) * | 2021-07-30 | 2021-11-16 | 华南理工大学 | 一种基于深度卷积生成对抗网络的图像异常检测方法 |
-
2021
- 2021-12-17 CN CN202111548389.XA patent/CN114240968A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781967A (zh) * | 2019-10-29 | 2020-02-11 | 华中科技大学 | 一种基于可微分二值化的实时文本检测方法 |
US20210241034A1 (en) * | 2020-01-31 | 2021-08-05 | Element Al Inc. | Method of and system for generating training images for instance segmentation machine learning algorithm |
CN111652217A (zh) * | 2020-06-03 | 2020-09-11 | 北京易真学思教育科技有限公司 | 文本检测方法、装置、电子设备及计算机存储介质 |
CN112669274A (zh) * | 2020-12-23 | 2021-04-16 | 山东大学 | 一种用于表面异常区域像素级分割的多任务检测方法 |
CN112801962A (zh) * | 2021-01-19 | 2021-05-14 | 上海大学 | 基于正样本学习的半监督工业制品瑕疵检测方法及系统 |
CN113034516A (zh) * | 2021-03-24 | 2021-06-25 | 联通(上海)产业互联网有限公司 | 一种分割图像中异常区域的深度学习算法 |
CN113096080A (zh) * | 2021-03-30 | 2021-07-09 | 四川大学华西第二医院 | 图像分析方法及系统 |
CN113222998A (zh) * | 2021-04-13 | 2021-08-06 | 天津大学 | 基于自监督低秩网络的半监督图像语义分割方法及装置 |
CN113344875A (zh) * | 2021-06-07 | 2021-09-03 | 武汉象点科技有限公司 | 一种基于自监督学习的异常图像检测方法 |
CN113516126A (zh) * | 2021-07-02 | 2021-10-19 | 成都信息工程大学 | 一种基于注意力特征融合的自适应阈值场景文本检测方法 |
CN113658115A (zh) * | 2021-07-30 | 2021-11-16 | 华南理工大学 | 一种基于深度卷积生成对抗网络的图像异常检测方法 |
CN113569865A (zh) * | 2021-09-27 | 2021-10-29 | 南京码极客科技有限公司 | 一种基于类别原型学习的单样本图像分割方法 |
CN113643289A (zh) * | 2021-10-13 | 2021-11-12 | 海门市芳华纺织有限公司 | 基于图像处理的织物表面缺陷检测方法和系统 |
Non-Patent Citations (6)
Title |
---|
HAMAM MOK AYED等: "Anomaly Detection in Natural Scene Images Based on Enhanced Fine-Grained Saliency and Fuzzy Logic", IEEE ACCESS, 9 August 2021 (2021-08-09) * |
JOU WON SONG等: "ANOSEG: ANOMALY SEGMENTATION NETWORK USING SELF-SUPERVISED LEARNING", ARXIV, 7 November 2021 (2021-11-07), pages 1 * |
OLIVER RIPPEL等: "Leveraging pre-trained Segmentation Networks for Anomaly Segmentation", 2021 26TH IEEE INTERNATIONAL CONFERENCE ON EMERGING TECHNOLOGIES AND FACTORY AUTOMATION (ETFA), 10 September 2021 (2021-09-10) * |
SEU NGDONG YOA等: "Self-Supervised Learning for Anomaly Detection With Dynamic Local Augmentation", IEEE ACCESS, 1 November 2021 (2021-11-01) * |
YI LI等: "Pseudo-mask Matters in Weakly-supervised Semantic Segmentation", 2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV), 17 October 2021 (2021-10-17) * |
张桂梅, 鲁飞飞等: "结合自集成和对抗学习的域自适应城市场景语义分割", 模式识别与人工智能, vol. 34, no. 1, 15 January 2021 (2021-01-15), pages 58 - 67 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308133A (zh) | 基于卷积神经网络的调制识别方法 | |
CN110310241A (zh) | 一种融合深度区域分割的多大气光值交通图像去雾方法 | |
CN111968127B (zh) | 一种基于全切片病理图像的癌灶区域识别方法及系统 | |
CN113361201B (zh) | 一种基于噪声标签学习的众包获取标签数据清洗方法 | |
CN113204645B (zh) | 一种基于知识引导的方面级情感分析模型训练方法 | |
CN109345609B (zh) | 基于卷积神经网络进行壁画图像去噪和线描画生成的方法 | |
CN111339862A (zh) | 一种基于通道注意力机制的遥感场景分类方法及装置 | |
CN112766089A (zh) | 一种基于全局-局部对抗学习框架的跨域道路提取方法 | |
CN112417171A (zh) | 面向知识图谱表示学习的数据增广方法 | |
CN112037225A (zh) | 一种基于卷积神经的海洋船舶图像分割方法 | |
CN113033410B (zh) | 基于自动数据增强的域泛化行人重识别方法、系统及介质 | |
KR20020008245A (ko) | 정밀한 수치표고모형의 자동생성을 위한 지능적 보간법 | |
CN112487933B (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
CN114240968A (zh) | 一种分割图像中异常区域的自监督深度学习算法 | |
CN113436101A (zh) | 基于高效通道注意力机制的龙格库塔模块去雨的方法 | |
LU503334B1 (en) | Forward-looking sonar target recognition method based on asynchronous learning factors | |
CN116309545A (zh) | 一种面向医学显微图像的单阶段细胞核实例分割方法 | |
CN114022680A (zh) | 改进深度学习算法的pdc钻头条件下岩屑图像分割方法 | |
CN109064425B (zh) | 一种自适应非局部总变分的图像去噪方法 | |
CN117409326B (zh) | 基于自适应加权损失和对抗干扰器的遥感异常检测方法 | |
Qiu et al. | GA-Net: Gated Attention Mechanism Based Global Refinement Network for Image Inpainting | |
CN116228594A (zh) | 单幅图像剥离的多融合网络 | |
Chen et al. | Image Super-Resolution Based on Additional Self-Loop Supervision | |
Li et al. | The multi-scale channel attention full connection network for edge detection | |
Xiang et al. | CDCP: A Framework for Accelerating Dynamic Channel Pruning Methods |
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 |