[发明专利]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

权利要求书

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；

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；

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；

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k_i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，k_i＜k_i+1且k_i、k_i+1、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；

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。

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，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。

3.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，所述L取2或3。

4.根据权利要求1-3任一项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：基于标准化流模型构建多尺度融合标准化流模型，并对步骤S3中提取出的多尺度并行特征进行特征融合，得到对应的多尺度融合特征；

步骤S5：在训练阶段，对步骤S4中编码得到的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；

步骤S6：在测试阶段，通过训练后的多尺度标准化流模型对步骤S4中编码得到的多尺度融合特征进行整合，并且通过多尺度输出整合方案计算像素级别的异常定位分数图和图像级别的异常检测分数。