[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

说明书

本发明涉及自监督图像异常分割技术领域，尤其为一种分割图像中异常区域的自监督深度学习算法，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，本发明通过设计一种分割图像中异常区域的自监督深度学习算法，此算法准确度高，推理速度快，无需人为指定阈值，能够端到端训练和推理，有效的解决了现有的无监督异常分割算法无法端到端训练和推理，需要人为指定阈值等缺点，提出一种无需人为指定阈值、可以端到端训练和推理的自监督异常分割算法的问题。

技术领域

本发明涉及自监督图像异常分割技术领域，尤其涉及一种分割图像中异常区域的自监督深度学习算法。

背景技术

现存的无监督异常分割算法，主要有两大类，其一是基于图像重建的方法，通过对自编码器(AutoEncoder)进行训练，使其能够提取训练集图片的特征并进行重建，而异常图片由于有其他特征无法很好的重建，从而达到区分异常的目的；另一类主要使用预训练模型如ResNet-50在ImageNet上训练的分类网络，进行特征提取，然后使用聚类的方式来区分正常和异常。这两类方法都需要人为指定阈值，异常分割图像则是根据异常分值图像后处理得到的，带有主观性，且整个流程相较于端到端训练和推理，缺乏一定的便利性。

综上所述，本发明通过设计一种分割图像中异常区域的自监督深度学习算法来解决存在的问题。

发明内容

本发明的目的在于提供一种分割图像中异常区域的自监督深度学习算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种分割图像中异常区域的自监督深度学习算法，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；