[发明专利]基于零样本学习的图像异常检测方法

说明书

本公开的实施例公开了图像异常检测方法。该方法的一具体实施方式包括：获取测试图像；将测试图像输入至自编码器，得到第一重构图像；将第一重构图像输入至专家网络，得到第二重构图像；基于测试图像、第一重构图像、第二重构图像和知觉测量方法，生成异常分数矩阵；基于异常分数矩阵，生成异常区域信息。该实施方式实现了零样本训练网络，提高了定位异常区域的精准度。

技术领域

本发明涉及计算机视觉和图像处理领域，具体涉及图像异常检测方法。

背景技术

异常检测任务则是从中检测出稀少的类别、事件或是与大量图像明显不同的区域。对异常物体或区域的检测有着多种的计算机视觉的应用，例如检测工业产品缺陷、在视网膜图像中分割病变区域、检测监控视频内容中的异常行为、在救援中确定生还者位置等等。近年来，随着深度学习与计算机视觉在业界的广泛应用，图像异常检测的价值逐渐凸显；另一方面，异常检测在计算机视觉领域仍是一个极富挑战性的问题。目前的解决方案大多基于深度学习，因此需要大量的、样本均衡的正负样本来训练模型。

为了减少对异常图像数量的需求，Andrews通过假设异常发生在整张图像的类别上，通过判断数据特征是否离群来确定图像是否异常。近年来，Baur等人利用自编码器在大量正常数据上进行重构，自编码器是一个输入和学习目标相同的神经网络，基于自编码器不能重构出未见过的异常区域的假设，以此在测试阶段计算输入图像与重构图像的差异，将差异大的地方划分为异常区域。Berg等人也在自编码器中加入跳层连接的结构来增强重构图像的质量。重构是指从非图像形式构造或恢复图像的操作。异常图像指带有异常区域的图像。

然而，当采用上述方式对图像进行异常检测时，经常会存在如下技术问题：

第一，基于深度学习的方法，需要大量的、样本均衡的正负样本来训练模型。然而由于异常发生的情况少，并且种类多，导致异常图像的数量十分匮乏。

第二，基于自编码器的方法，要么由于清晰度低的重构结果带来额外的图像差异，从而将非异常区域的部分误划分为异常区域的部分，要么由于清晰度高的重构结果而将异常区域一并重构，导致重构图像与输入图像的差异丢失了异常区域的像素信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了图像异常检测方法，来解决以上背景技术部分提到的技术问题中的一项或多项。

本公开的一些实施例提供了一种图像异常检测方法，该方法包括：提出一种两阶段的异常检测方法进行零异常样本的学习，进而有效定位图像中的异常区域；发明一种基于互信息的自编码器结构，通过输入图像，有效重构出对应的清晰度低的无异常图像；进一步设计一种专家网络，通过在第一阶段输出的无异常图像的基础上，准确重构出对应的清晰度高的无异常图像；基于第一、二阶段的输出结果，结合输入图像，发明一种新型的异常测量方法，用于准确高效计算图像中每个位置的异常数值，进一步该异常数值，划分图像中的正常区域和异常区域。

本公开的上述各个实施例具有如下有益效果：发明了一种两阶段的异常检测框架，通过先根据输入图像生成清晰度低的无异常区域的图像，再进一步重构出清晰度高的无异常区域的图像，解决了之前自编器存在的问题，有利于稳定计算异常区域；针对自编码器在重构输入图像时会重构部分异常区域，发明了一个新型的自编码结构，通过最大化自重构中的特征与输入图像的互信息，同时将满足互信息的特征进行初步的重构得到清晰度低的无异常区域的图像，从而有效地降低了异常区域被重构的可能性；发明了一个专家网络来对清晰度低的无异常区域的图像进行处理，得到清晰度高的无异常区域的图像；在得到清晰度低的无异常区域的图像与清晰度高的无异常区域的图像的情况下，本发明提出了一种知觉测量方法，能够提高定位异常区域的精准度。

附图说明