[发明专利]一种分割图像中异常区域的深度学习算法

权利要求书

1.一种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，然后对该数据体作统计量计算，对空间位置(i,j)(i的范围为[0,H]，j的范围为[0,W])的特征按通道求均值,C_mean(i,j)即对应位置的特征的均值,其是一个长度为C的向量；以及C_corr(i,j)，表示对应位置的特征的协方差矩阵，其是一个CxC大小的对称矩阵，需要将这两个统计量保存，为后面测试时计算马氏距离所用；

S3，接下来是测试阶段，同样用ViT提取被测图片的特征表示，然后使用马氏距离作为距离度量，其中，x_ij表示被测图片在(i，j)空间位置的特征向量，u_ij和Σ_ij就是在正样本训练数据上统计并保存的(i，j)位置上的特征均值和协方差矩阵，并且通过马氏距离公式计算马氏距离；

S4，最后，例如一张被测图片，其各个空间位置都可计算出与正样本训练集特征的马氏距离，得到一个(H,W)的马氏距离图，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,以及通过分类阈值筛选，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，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。

2.根据权利要求1所述的一种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。

3.根据权利要求1所述的一种分割图像中异常区域的深度学习算法，其特征在于，所述S2中的协方差矩阵计算公式为：

4.根据权利要求1所述的一种分割图像中异常区域的深度学习算法，其特征在于，所述S3中马氏距离公式为：

5.根据权利要求1所述的一种分割图像中异常区域的深度学习算法，其特征在于，所述S1中的特征表示采用非卷积神经网络结构，其感受野来自图片全局，内部采用多头自注意力机制，在大规模图像分类前置任务上训练得到网络权重，无需微调，直接用于当前图片特征提取。