[发明专利]一种分割图像中异常区域的自监督深度学习算法

权利要求书

1.一种分割图像中异常区域的自监督深度学习算法，其特征在于，包括特征提取的构成、基于硬图像增强或引入其它数据集生成的伪异常掩码和可微分的二值化网络的异常分割，其中特征提取的构成采用ResNet+FPN的结构，即为残差网络加特征金字塔结构，伪异常掩码为pseudo mask，可微分的二值化网络为DBNet，其具体步骤如下：

S1，伪异常掩码的数据准备：首先需要对原始数据集进行初步加工，生成异常数据和对应的异常mask，从而具有以下两种方法：

A.基于硬数据增强的方式：利用裁剪，旋转，平移，像素变化等方式产生和原始图片不一样特征的区域，即异常区域，同时，生成对应的异常mask；

B.引入其它数据集的方法：通常对于一个指定数据集，其他不相干数据集的图片被认为是异常的，同时引入的区域有一定的独立语义，其方式是引入语义分割图片，比如coco的分割图片，根据语义分割的mask裁剪图片，作为异常区域引入训练集，对应的语义分割mask作为异常mask进行监督；

实际操作时，将上述两种方法进行有机结合，此外，由于异常区域是合成的，边缘区域的梯度相对较高，为了防止网络错误的学习到梯度信息，需要对合成的异常区域边缘增加高斯模糊进行平滑，同时引入白点噪声增强网络的鲁棒性，另外，为了进一步提高数据的多样性，异常数据的生成并非固定的，而是对每一张训练集，有一定的概率p产生异常区域，区域的位置也会在合理的范围内随机生成，大大增加了训练集的多样性，其表达式如下所示：

S2，特征提取的构成：搭建ResNet残差网络，根据实际任务选择合适的网络深度，即ResNet-18，50或101，同时为了增加网络对细节特征的提取能力，引入特征金字塔结构即FPN，利用ImageNet上面的预训练分类模型，得到网络权重，考虑到视觉的底层任务是相通的，将底层网络参数冻结，只对顶层参数进行微调；

S3，可微分的二值化网络的异常分割：传统异常分割方法的人为设定阈值操作主要是因为二值化而导致的，所以要取消人为设定阈值，只需要对传统的二值化操作进行改进即可，为达到这个目的，引入了可微分二值化网络，其实质是对阈值进行了学习，同时让梯度反向传播，对原本不可微的二值化函数进行了平滑，使其保留二值化功能的同时，进行求梯度的操作，进而能进行反向传播和参数更新，可微分二值化函数的表达式如下所示：

2.根据权利要求1所述的一种分割图像中异常区域的自监督深度学习算法，其特征在于，所述S1中Img表示原始图片，AnoAug(Img)表示生成异常区域的操作，x为0到1的随机数，p表示进行异常生成的概率大小。

3.根据权利要求1所述的一种分割图像中异常区域的自监督深度学习算法，其特征在于，所述S2中B表示二值图像，P表示预测的异常分值图，T表示预测的阈值图，下脚标(i,j)表示像素坐标。