[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

说明书

本发明属于计算机视觉中图像异常定位与检测技术领域，具体公开了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，所述方法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。本发明增强了标准化流对异常区域大小多变性的泛化能力，提高了异常定位和检测性能。

技术领域

本发明属于计算机视觉中图像异常定位与检测技术领域，具体的说，是一种基于多尺度标准化流的无监督异常定位与检测方法及实现无监督异常定位与检测功能的装置。

背景技术

无监督异常检测是计算机视觉中一个具有高度实用性而又富有挑战性的问题，旨在不花费大量的人力物力对异常图片进行标志，仅通过收集到的无异常图片进行训练神经网络模型，最终判定输入图片是否存在异常并且进一步对异常区域进行定位。从提出至今一直是学术界研究的热点任务，并且在工业生产、金融安全、医疗诊断等行业中都有着广泛的应用，因此在工业界也备受关注。

近年来，基于深度学习的异常检测技术不断涌现，相较于手工设计数据的特征，深度学习方法可以自动学习数据的特征并由此对数据进行分类与回归，因此具有更高的鲁棒性。而且，深度学习方法不仅能够实现旨在判定输入图片是否存在异常的异常检测，还能够实现对图像中的异常区域进行异常定位。随着深度卷积神经网络的应用和MVTec AD等高质量异常检测数据集的发布，无监督异常检测与定位方法已经取得了较大的发展，它们大致可以分为基于重建、基于聚类和基于概率密度估计的方法。

1）基于重建的方法：此类方法通过无异常图片训练一个图像复原网络，该网络包括一个编码器和解码器。由于此类方法只对在无异常图片上训练过重建参数，因此对异常区域重建效果差甚至无法重建，由此实现对异常的检测与定位。此类方法的核心在于如何限制重建网络只对正常区域进行重建而不泛化到异常区域。

2）基于聚类的方法：此类方法对于无异常图像的编码特征构建特征库，并且对特征库中的所有特征进行聚类。在测试时，对测试图像的编码特征和在无异常数据上获取的聚类中心进行相似度计算，超过一定阈值则判定为异常特征，对应区域也标定为异常区域。此类方法的核心主要集中在对特征库的聚类和特征相似度的计算。

3）基于概率密度估计的方法：此类方法基于标准化流模型通过最大似然估计的方法对无异常图像进行概率估计，这样训练好的标准化流模型会对异常区域给出远低于正常区域的似然概率，从而分辨出异常区域。此类方法的核心在于对标准化流模型的设计。

相较于前两种方法，基于概率密度估计的方法在效果和实时性上都取得了更好的性能，但是仍然面临着不可预知、具有高度不确定性的异常样本中异常区域大小多变性问题，限制着标准化流模型的检测性能。

发明内容

本发明针对因异常样本中异常区域大小多变性而导致现有技术中标准化流模型检测性能受限的问题，提供了一种基于多尺度标准化流的无监督异常定位与检测方法，通过开发标准化流模型中的多尺度特性，并针对异常定位和异常检测两个任务设计不同的多尺度输出整合方案，增强了标准化流对异常区域大小多变性的泛化能力，提高了异常定位和检测性能。

本发明通过下述技术方案实现：

基于多尺度标准化流的无监督异常定位与检测方法，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。