论文部分内容阅读
构建计算机视觉模型自动检测和识别图像中潜在的异常模式是一项重要且具有挑战性的任务。该任务是具有挑战的,因为其通常要求所构建的视觉识别模型能够在无监督的情形下学习甄别不同图像中的细微差异,以克服许多实际情形中关于图像异常模式先验知识难以获取、出现于图像局部有限区域等问题。同时,针对该任务的研究是非常具有理论和实际意义的。一方面,其要求所构建的视觉识别模型具备与人类相似的视觉识别能力,能够在无任何异常先验信息情形下发现和识别图像中潜在的异常或新颖模式。其研究范式打破了机器学习模型通常在封闭系统中进行学习和推理的假设,有助于推动相关人工智能技术的发展;另一方面,视觉异常检测有着广泛化的应用前景。如在智能制造领域,可用于工业产品的缺陷和瑕疵检测;在医疗影像领域,可用于发现影像中的发生的病变;在智能安防领域,可用于侦测视频中发生的异常事件等。本论文主要研究关于无监督的视觉异常检测与识别方法,借助当前深度学习发展的契机,基于深度学习相关理论和技术,以针对图像的异常检测和识别问题为焦点展开一系列相关研究。本论文开展的研究工作和主要创新如下:1.针对当前基于重构思想的图像异常检测方法的不足,首次提出基于图像卷积特征重构的异常检测机制。该机制充分利用图像卷积表征的判别性和稀疏性,能有效地用于检测和识别图像中潜在的异常模式。具体地,本文提出使用预训练的深度卷积网络来提取具有强判别能力的图像卷积表征,然后在该特征空间中采用特征重构的方式建模正常特征的分布并检测潜在的异常。为增强表征的判别性及提高基于特征重构机制的异常检测性能,特别设计了一个多尺度图像区域表征生成器,其可构建任意输入图像的多层级或多尺度的卷积特征表达。同时,为高效实现基于多层级卷积特征的重构,还设计了一个能快速实现卷积特征重构的深度卷积自编码器网络,进而使得检测模型能够高效地通过评估特征重构差异来发现图像中潜在的异常。实验表明,该特征重构方法能快速有效地检测和识别图像局部区域的异常。同时,对图像异常检测与识别来说,不同层级的图像卷积特征在一定程度上均能提供不同的有效信息。2.针对当前基于特征匹配策略的异常检测方法的不足,提出一种新颖的可学习深度特征匹配机制。该特征匹配机制不同于当前通常采用的基于最近邻搜索的匹配机制,其是端到端可学习的,能根据任务需要直接估计出最佳匹配的图像特征,从而实时计算特征匹配关系。为有效实现所提特征匹配机制,提出了一种非对称的深度对偶网络框架。该对偶网络框架由一个视觉特征抽取深度网络和一个特征估计深度网络组成,其可直接通过建模和评估两个深度网络间的特征匹配关系来估计图像中的潜在异常。同时,为提高该机制的鲁棒性,进一步提出了一种新颖的基于自监督训练的特征增强策略和一个多上下文残差学习网络模块。实验表明,基于所提特征匹配机制的异常检测模型能够有效地发现和识别图像中局部异常,尤其是工业图像异常。相比其他图像异常检测方法,其在基准数据集及实际工业异常检测数据集上实现了最优的平均异常检测性能。3.首次从图像特征修复的角度来研究无监督图像异常检测与识别问题,提出一种新颖的基于深度特征修复机制的异常检测和识别方法。具体来说,提出了一种融入异常先验知识的深度特征修复机制,该机制通过一个特别设计的级联模型来实现,其由异常掩码估计网络、深度特征修复网络构成以及异常评分和检测模块构成。首先,异常掩码估计网络通过粗略估计图像中潜在异常的区域,获得关于图像异常的先验知识。然后,将该先验知识传递至深度特征修复网络,助力图像特征的修复。最后,异常评分和检测模块通过评估图像修复前后的特征差异,从而检测和分割图像中存在的异常。为提高特征修复网络的性能,还设计了一个新的网络学习模块——全局语义增强的扩展卷积稠密学习模块。该模块能够增强网络利用图像的上下文信息的能力,从而提高特征修复网络的滤除异常模式和生成合理特征模式的能力。实验表明,该方法能有效地检测和识别图像局部区域的异常。此外,实验发现仅通过合成虚假异常样本训练的异常掩码估计网络,也具备泛化到真实图像异常的能力,其本身也是一个较好的异常检测器。该发现将为图像异常检测领域的相关研究提供新的思路。