[发明专利]一种检测异常并且分割图像中异常区域的深度学习算法

权利要求书

1.一种检测异常并且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，通过耦合层堆叠而成的复杂流模型，对上述正样本特征进行概率密度估计；具体地，流模型以最小化观测数据的负对数似然为目标，通过梯度反向传递更新模型参数，经过训练阶段将复杂的未知数据分布映射为简单已知的多元正态分布；

S3，在测试阶段，被测样本特征经流模型得到维度不变(N，C，H，W)的数据体，对特征通道作L2范式，得到特征在位置(i，j)处的概率密度均值。例如，一张被测图片，其各个空间位置都可计算出概率密度，得到一个(H，W)的概率密度热力图，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，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；

S4，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，例如确定一个百分数，如98％，让98％的正样本位于分类阈值和分割阈值以下，此时的98％处的距离即作为阈值。

2.根据权利要求1所述的一种检测异常并且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，正样本特征表示，仅需单个层级的特征，无需多尺度特征融合，并且正样本特征表示包括但不限于PCA降维、卷积网络投影、随机选取。

3.根据权利要求1所述的一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，所述S2中流模型：令X∈x记作观测数据随机变量，在这里X特指一张图片，令P为该观测数据的真实概率分布，于是有X～P，令D＝{x₁，...，x_N}表示的训练样本，其中x_i，i＝1，…，N，通常是X的独立同分布(i.i.d.)样本，令记作由参数·θ∈Θ表示的参数化统计模型，其中Θ为参数空间，p(注意是小写)表示对应分布p的概率密度，在深度生成模型领域，生成模型的目标即为学习参数θ，使得p_θ最近似真实的分布p，使用最大似然估计，对模型参数作最小化负对数似然：

其中，P(X)是由训练数据集D得到的经验分布；

在流模型(flow-based generative models)的框架中，一组服从已知先验分布p_z(z)的潜变量被引入，其中p_z(z)通常是简单的分布，如多元正态分布，对于一个双射函数(其逆函数为g＝f^-1)，根据变量替换公式，X的分布可定义为：

其中，是函数f_θ在x(注意是小写)处的雅可比行列式(Jacobian)。

直接地，生成过程如下定义：

流模型关注这类可逆的变换f_θ以使得其逆函数g_θ以及其雅可比行列式能够被追溯并易于计算，通过堆叠一系列这种可逆变换，该流模型具备将简单分布(p_z(z))映射到任意复杂分布(p(x))从复杂的未知数据分布到简单的多元正态分布这一系列变换过程被形象地描述为“流”(flows)，如下式：

其中为K次变换组成的流，出于简化，式中省略了参数θ from f_θand g_θ。

4.根据权利要求3所述的一种检测异常并且分割图像中异常区域的深度学习算法，其特征在于，所述可逆变换包括且不限于激活标准化层(Actnorm Layer)、仿射耦合层(Affine Coupling Layer)、加性耦合层(Addition Coupling Layer)、可逆1x1卷积层(invertible 1×1convolution layer)和随机通道打乱。