基于多尺度标准化流的无监督异常定位与检测方法及装置制造方法及图纸

本发明专利技术属于计算机视觉中图像异常定位与检测技术领域，具体公开了基于多尺度标准化流的无监督异常定位与检测方法及装置，所述方法先通过构建的多尺度标准化流模型获取图片的多尺度融合特征；再分别针对异常定位任务、异常检测任务设置不同的多尺度输出整合方案；最后由多尺度融合特征作为多尺度输出整合方案的输入计算得到用于异常定位分析的异常定位分数图和用于异常检测分析的异常检测分数，实现对输入图片的异常定位与检测。本发明专利技术增强了标准化流对异常区域大小多变性的泛化能力，提高了异常定位和检测性能。高了异常定位和检测性能。高了异常定位和检测性能。

【技术实现步骤摘要】
基于多尺度标准化流的无监督异常定位与检测方法及装置


[0001]本专利技术属于计算机视觉中图像异常定位与检测
，具体的说，是一种基于多尺度标准化流的无监督异常定位与检测方法及实现无监督异常定位与检测功能的装置。

技术介绍

[0002]无监督异常检测是计算机视觉中一个具有高度实用性而又富有挑战性的问题，旨在不花费大量的人力物力对异常图片进行标志，仅通过收集到的无异常图片进行训练神经网络模型，最终判定输入图片是否存在异常并且进一步对异常区域进行定位。从提出至今一直是学术界研究的热点任务，并且在工业生产、金融安全、医疗诊断等行业中都有着广泛的应用，因此在工业界也备受关注。
[0003]近年来，基于深度学习的异常检测技术不断涌现，相较于手工设计数据的特征，深度学习方法可以自动学习数据的特征并由此对数据进行分类与回归，因此具有更高的鲁棒性。而且，深度学习方法不仅能够实现旨在判定输入图片是否存在异常的异常检测，还能够实现对图像中的异常区域进行异常定位。随着深度卷积神经网络的应用和MVTec AD等高质量异常检测数据集的发布，无监督异常检测与定位方法已经取得了较大的发展，它们大致可以分为基于重建、基于聚类和基于概率密度估计的方法。
[0004]1）基于重建的方法：此类方法通过无异常图片训练一个图像复原网络，该网络包括一个编码器和解码器。由于此类方法只对在无异常图片上训练过重建参数，因此对异常区域重建效果差甚至无法重建，由此实现对异常的检测与定位。此类方法的核心在于如何限制重建网络只对正常区域进行重建而不泛化到异常区域。
[0005]2）基于聚类的方法：此类方法对于无异常图像的编码特征构建特征库，并且对特征库中的所有特征进行聚类。在测试时，对测试图像的编码特征和在无异常数据上获取的聚类中心进行相似度计算，超过一定阈值则判定为异常特征，对应区域也标定为异常区域。此类方法的核心主要集中在对特征库的聚类和特征相似度的计算。
[0006]3）基于概率密度估计的方法：此类方法基于标准化流模型通过最大似然估计的方法对无异常图像进行概率估计，这样训练好的标准化流模型会对异常区域给出远低于正常区域的似然概率，从而分辨出异常区域。此类方法的核心在于对标准化流模型的设计。
[0007]相较于前两种方法，基于概率密度估计的方法在效果和实时性上都取得了更好的性能，但是仍然面临着不可预知、具有高度不确定性的异常样本中异常区域大小多变性问题，限制着标准化流模型的检测性能。

技术实现思路

[0008]本专利技术针对因异常样本中异常区域大小多变性而导致现有技术中标准化流模型检测性能受限的问题，提供了一种基于多尺度标准化流的无监督异常定位与检测方法，通过开发标准化流模型中的多尺度特性，并针对异常定位和异常检测两个任务设计不同的多尺度输出整合方案，增强了标准化流对异常区域大小多变性的泛化能力，提高了异常定位
和检测性能。
[0009]本专利技术通过下述技术方案实现：基于多尺度标准化流的无监督异常定位与检测方法，先通过构建的多尺度标准化流模型获取图片的多尺度融合特征；再分别针对异常定位任务、异常检测任务设置不同的多尺度输出整合方案；最后由多尺度融合特征作为多尺度输出整合方案的输入计算得到用于异常定位分析的异常定位分数图和用于异常检测分析的异常检测分数，实现对输入图片的异常定位与检测。
[0010]本专利技术核心思想在于发掘标准化流模型中的多尺度特性，提高标准化流模型对于异常区域大小多变性的泛化能力不仅在模型设计上充分发掘了多尺度特性，还根据异常检测和异常定位两个任务之间的故有差距，分别设计不同的多尺度输出的整合方案。此方法增强了标准化流对异常区域多变性的泛化能力，提高了异常检测和定位性能。
[0011]进一步地，为了更好地实现本专利技术，针对异常定位任务设置的多尺度输出整合方案，是采用将不同尺度的输出相加的方式得到异常定位概率密度函数，再通过概率密度估计的方法计算得到异常定位分数。
[0012]进一步地，为了更好地实现本专利技术，针对异常检测任务设置的多尺度输出整合方案，是先采用将不同尺度的输出相乘的方式得到异常检测概率密度函数，再通过概率密度估计的方法计算得到异常检测分数图，最后从异常检测分数图中选择最大的K个分值取平均得到异常检测分数；K为不小于1的正整数。
[0013]进一步地，为了更好地实现本专利技术，所述通过构建多尺度标准化流模型获取图片的多尺度融合特征，具体是指：基于标准化流模型构建非对称的多尺度并行标准化流模型和多尺度融合标准化流模型这两个多尺度标准化流模型；利用构建的特征提取器提取图片的L个多尺度图像特征，并将L个多尺度图像特征作为多尺度标准化流模型的输入，L为不小于2的正整数；多尺度图像特征依次经多尺度并行标准化流模型、多尺度融合标准化流模型编码后得到对应的多尺度融合特征。
[0014]进一步地，为了更好地实现本专利技术，所述方法分为训练阶段和测试阶段：所述训练阶段，具体是指：先选取异常检测数据集并仅以无异常的图片作为训练数据；接着利用构建的特征提取器从图片中提取L个多尺度图像特征；再将L个多尺度图像特征依次输入构建的多尺度并行标准化流模型和多尺度融合标准化流模型中得到多尺度融合特征；然后对多尺度融合特征进行最大似然优化从而训练多尺度并行标准化流模型和多尺度融合标准化流模型这两个多尺度标准化流模型；所述测试阶段，具体是指：先输入待分析的图片；接着利用构建的特征提取器从图片中提取L个多尺度图像特征；再将L个多尺度图像特征依次输入构建的多尺度并行标准化流模型和多尺度融合标准化流模型中得到多尺度融合特征；然后根据多尺度输出整合方案对多尺度融合特征进行整合；最后计算得到异常定位分数图和异常检测分数。
[0015]进一步地，为了更好地实现本专利技术，所述多尺度并行标准化流模型的构建方法如下：先搭建由两个核大小为3的卷积网络以及ReLU激活函数组合而成的网络，将其作为线性耦合层的子网络并构建具有线性耦合层的标准化流模块；再将个标准化流模块堆叠成标准化流模型的第i个模型分支，其中：1≦i≦L，﹤且、、i均为正整数；然后将L个
模型分支按顺序组合，得到分支并行且独立的并行标准化流模型，即非对称的多尺度并行标准化流模型。
[0016]进一步地，为了更好地实现本专利技术，所述多尺度融合标准化流模型的构建方法如下：先搭建由两个核大小为3的卷积网络以及ReLU激活函数组合而成的网络，将其作为线性耦合层的子网络并构建多尺度融合标准化流模型。
[0017]进一步地，为了更好地实现本专利技术，所述L取2或3。
[0018]进一步地，为了更好地实现本专利技术，基于多尺度标准化流的无监督异常定位与检测方法，具体包括以下步骤：步骤S1：选取异常检测数据集，并仅以无异常的图片作为训练数据；步骤S2：构建特征提取器，并从图片中提取L个多尺度图像特征作为多尺度标准化流模型的输入；步骤S3：基于标准化流模型构建非对称的多尺度并行标准化流模型，并对步骤S2中提取出的多尺度图像特征进行编码得到对应的多尺度并行特征；步骤S4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度标准化流的无监督异常定位与检测方法，其特征在于，先通过构建的多尺度标准化流模型获取图片的多尺度融合特征；再分别针对异常定位任务、异常检测任务设置不同的多尺度输出整合方案；最后由多尺度融合特征作为多尺度输出整合方案的输入计算得到用于异常定位分析的异常定位分数图和用于异常检测分析的异常检测分数，实现对输入图片的异常定位与检测。2.根据权利要求1所述的基于多尺度标准化流的无监督异常定位与检测方法，其特征在于，针对异常定位任务设置的多尺度输出整合方案，是采用将不同尺度的输出相加的方式得到异常定位概率密度函数，再通过概率密度估计的方法计算得到异常定位分数；针对异常检测任务设置的多尺度输出整合方案，是先采用将不同尺度的输出相乘的方式得到异常检测概率密度函数，再通过概率密度估计的方法计算得到异常检测分数图，最后从异常检测分数图中选择最大的K个分值取平均得到异常检测分数；K为不小于1的正整数。3.根据权利要求2所述的基于多尺度标准化流的无监督异常定位与检测方法，其特征在于，所述通过构建多尺度标准化流模型获取图片的多尺度融合特征，具体是指：基于标准化流模型构建非对称的多尺度并行标准化流模型和多尺度融合标准化流模型这两个多尺度标准化流模型；利用构建的特征提取器提取图片的L个多尺度图像特征，并将L个多尺度图像特征作为多尺度标准化流模型的输入，L为不小于2的正整数；多尺度图像特征依次经多尺度并行标准化流模型、多尺度融合标准化流模型编码后得到对应的多尺度融合特征。4.根据权利要求3所述的基于多尺度标准化流的无监督异常定位与检测方法，其特征在于，所述方法分为训练阶段和测试阶段；所述训练阶段，具体是指：先选取异常检测数据集并仅以无异常的图片作为训练数据；接着利用构建的特征提取器从图片中提取L个多尺度图像特征；再将L个多尺度图像特征依次输入构建的多尺度并行标准化流模型和多尺度融合标准化流模型中得到多尺度融合特征；然后对多尺度融合特征进行最大似然优化从而训练多尺度并行标准化流模型和多尺度融合标准化流模型这两个多尺度标准化流模型；所述测试阶段，具体是指：先输入待分析的图片；接着利用构建的特征提取器从图片中提取L个多尺度图像特征；再将L个多尺度图像特征依次输入构建的多尺度并行标准化流模型和多尺度融合标准化流模型中得到多尺度融合特征；然后根据多尺度输出整合方案对多尺度融合特征进行整合；最后计算得到异常定位分数图和异常检测分数。5.根据权利要求3所述的基于多尺度标准化流的无监督异...

【专利技术属性】
技术研发人员：徐行，周宜轩，沈复民，申恒涛，白泞玮，
申请(专利权)人：成都考拉悠然科技有限公司，
类型：发明
国别省市：