【技术实现步骤摘要】
本专利技术属于基于重建的多类异常检测领域，包括图像处理、计算机视觉检测、生成对抗网络、图像生成、注意力机制等。
技术介绍
1、当前小数据集的异常检测分为单类异常检测和多类异常检测两个领域。在无监督方法中，单类异常检测将小数据集的单个类别视作正常类进行训练试图捕获正常信息，将该单个类之外的形状、规则都视为异常情况。从数据量的角度，现实世界中单个类别的图像数量严重不足，因此单类异常检测对真实世界的模拟能力有限，其发展停留在理论层面。对于多类异常检测来说，其将多个类视为正常类，这不但在数据量上符合现实世界的情况，同时多种形状、规则图像还涵盖更多的正常模式。
2、当前的多类异常检测方法中都注意到了采用扩大感受野的方式来增强图像的感知能力，以获取与异常检测相关的图像信息，使其更好地服务于该视觉任务。例如，inception模块采用不同大小的卷积核对异常检测图像进行感受野的扩大，然而不同卷积核大小的信息融合丧失了很多的中间信息，这些信息可能对异常检测任务具有重大影响。aspp网络减小卷积核的大小，采用空洞卷积建立不同图像块之间的关联，相较于inception提升了计算效率，但实验表明该模块在捕捉正常信息的同时也会捕获大量的异常信息，不利于多类异常检测任务的实施。随后人们开始注意到注意力机制在异常检测任务中的应用，包括se模块、cbam模块、simam模块以及近年来的vision transformer等。本专利技术基于上述技术背景，以gan为基本架构构建了3d感知卷积网络来完成多类异常检测任务。
技术
1、本专利技术的目的是为了解决当前基于重建的多类异常检测方法中无法捕获重要信息，导致模型对图像的感知力不足的问题。本专利技术在生成对抗网络的架构下采用3d感知卷积网络进行搭建，从而快速、高效的地完成类异常检测任务。
2、本专利技术为解决上述技术问题采取的技术方案是：
3、s1.构建3d感知卷积生成器，用于对训练图像的3d感知生成；
4、s2.构建图像压缩编码表示网络，用于对3d感知生成图像的压缩表示；
5、s3.构建3d感知卷积鉴别器，用于对输入图像和3d感知生成图像的真假鉴别；
6、s4.结合s1中的3d感知卷积生成器、s2中的图像压缩编码表示网络和s3中的3d感知卷积鉴别器构建基于3d感知卷积的多类异常检测方法架构；
7、s5.基于3d感知卷积的多类异常检测方法架构的多类异常检测方法测试。
8、1.根据权利要求1所述的基于3d感知卷积的多类异常检测方法，其特征在于，所述s1的具体过程为：
9、3d感知卷积生成器包括3d感知卷积编码器g3d-e和3d感知卷积解码器g3d-d两部分。3d感知卷积编码器g3d-e完成对训练图像的特征编码，将输入图像x编码成特征向量z，3d感知卷积解码器g3d-d完成对特征向量z的解码。在3d感知卷积生成器中，采用了3d感知机制用于生成符合多类异常检测任务的特征表示。
10、构建3d感知机制的过程如下所示：
11、根据神经科学理论中的空间抑制思想，当人们关注的环境中出现多个刺激目标时，大脑皮层会抑制周围神经元的表达从而达到关注特定刺激的目标。首先，根据该理论设计能量函数et。
12、
13、对于一个c×h×w的特征图来说，特定通道c中的一个像素单元可以视作一个神经元，在该式中，t代表某个神经元。xi代表在特定通道c中的神经元t的所有的相邻神经元，i记录着与t相邻的神经元的位置信息。m代表包括t神经元在内的所有神经元的总和。yt和yo是根据不同任务设置的相应的标量，在多类异常检测任务中，设置yt的值为1，yo的值为-1。进一步地，仅仅使用公式(1)中的能量函数不足以适应当前的多类异常检测任务，为此本专利技术在能量函数中添加正则化项来对3d感知机制进行平衡。进一步设置的能量函数如下所示：
14、
15、针对公式(4)的wt和bt进行微分，得到
16、
17、
18、表示能量函数et的最小值，表示在特定通道c中的不包含神经元t在的其他神经元的均值，是与之对应的方差。的值越低表明该神经元对其他神经元的抑制作用越明显，即神经元t在通道c中的重要程度越高。为了方便表示，用e来表示整个c×h×w的特征图中的所有神经元的能量函数集，采用倒数来直接表示神经元的重要程度。
19、
20、至此，3d感知机制构建完成。随后，本专利技术将3d感知机制融入到编码器和解码器的卷积结构中，与激活函数和归一化操作共同搭建3d感知卷积块，并利用3d感知卷积块分别搭建编码器网络和解码器网络，最终构建3d感知卷积生成器。
21、3d感知卷积编码器g3d-e的构建过程如下：
22、x＝3dsense(lr(conv(x))) (9)
23、x＝3dsense(lr(bn(conv(x)))) (10)
24、x＝3dsense(lr(bn(con(x)))) (11)
25、z＝conv(x) (12)
26、3d感知卷积解码器g3d-d的构建过程如下：
27、x＝3dsense(relu(bn(convtans(z)))) (13)
28、x＝3dsense(relun(convtrans(x)))) (14)
29、x＝3dsense(reluj(bn(convtrans(x)))) (15)
30、
31、至此，3d感知卷积生成器构建完成。经过3d感知卷积编码器g3d-e，输入图像x被压缩成向量z，z在3d感知卷积解码器g3d-d中被解码，并将解码信息恢复为3d感知卷积生成图像
32、2.根据权利要求1所述的基于3d感知卷积的多类异常检测方法，其特征在于，所述s2的具体过程为：
33、构建了图像压缩编码表示网络，用于收集3d感知卷积生成器生成的输入图像，并将该图像进行再压缩，压缩方式采用多头感受野增强的方式。
34、首先，构建多头感受野增强模块rfem。在该模块中包含四个分支特征用于对3d感知卷积生成器生成的输入图像进行特征编码。第一支路采用1×1的卷积压缩通道数目，3×3的卷积、空洞率为1增大感受野范围，提取支路特征f1；第二支路采用1×1的卷积压缩通道数目，3×3的卷积压缩特征空间，并进一步采用3×3的卷积、空洞率为2提取更大感受野的特征f2；第三支路采用1×1的卷积压缩通道数目，两个3×3的卷积压缩特征空间获取高维图像感受野，最后采用3×3卷积、空洞率为4提取全局特征f3；第四支路采用1×1的卷积重置通道参数，重置后的特征记为f4。提取完四个分支特征以后，融合方式如下所示：
35、result＝relu(f4+concat(f1,f2,f3)) (17)
36、构建多头感受野增强模块rfem后，采用该模本文档来自技高网...
【技术保护点】
1.基于3D感知卷积的多类异常检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于3D感知卷积的多类异常检测方法，其特征在于，所述S1的具体过程为：
3.根据权利要求1所述的基于3D感知卷积的多类异常检测方法，其特征在于，所述S2的具体过程为：
4.根据权利要求1所述的基于3D感知卷积的多类异常检测方法，其特征在于，所述S3的具体过程为：
5.根据权利要求1所述的基于3D感知卷积的多类异常检测方法，其特征在于，所述S4的具体过程为：
6.根据权利要求1所述的基于3D感知卷积的多类异常检测方法，其特征在于，所述S5的具体过程为：
【技术特征摘要】
1.基于3d感知卷积的多类异常检测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于3d感知卷积的多类异常检测方法，其特征在于，所述s1的具体过程为：
3.根据权利要求1所述的基于3d感知卷积的多类异常检测方法，其特征在于，所述s2的具体过程为：
4....
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。