申请/专利权人：东南大学

申请日：2024-01-09

公开（公告）日：2024-04-09

公开（公告）号：CN117853802A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/80;G06V10/774;G06V10/74;G06V10/40;G06V10/42;G06T5/90;G06T5/40;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于特征交互网络的小样本动车异常检测方法及系统，包括数据采集与整理标注、图像预处理、建立多层次支撑‑查询图像特征交互网络模型并进行模型训练，最终实现动车异常检测。所述多层次支撑‑查询图像特征交互网络模型包括双注意力特征增强模块、特征聚合精炼模块和多分支关系解码器模块；将预处理后的支撑集和查询集图像对输入到多层次特征交互网络中提取多层次特征，support图像特征和其mask与query图像特征进行交互，预测query图像的异常分布图像，将图像与其对应标注的mask图像基于交叉熵损失函数计算损失，基于Adam算法优化模型的参数，反复迭代训练出最优模型，从而输出异常类别的预测结果。

主权项：1.基于特征交互网络的小样本动车异常检测方法，其特征在于，包括如下步骤：S1，数据采集与整理标注：采集动车内部元件的分布图像，对图像中显示的异常类别进行分类，并通过人工对图像进行像素层次的标注，每一张图像对应一张同样大小的mask图像；S2，图像预处理：在步骤S1采集到的图像中，随机选择一对支撑集和查询集，支撑集包括support图像和其对应的mask图像，查询集包括query图像和其对应的mask图像，对图像进行预处理；所述预处理至少包括数据增强和归一化操作；S3，建立多层次支撑-查询图像特征交互网络模型，并进行模型训练：所述多层次支撑-查询图像特征交互网络模型包括双注意力特征增强模块、特征聚合精炼模块和多分支关系解码器模块；将经过步骤S2预处理后的支撑集和查询集图像对输入到多层次特征交互网络中，首先基于骨干网络在支撑集support图像和查询集query图像上分别提取多层次特征，support图像特征和其mask与query图像特征基于不同的模块进行交互，对support特征和query特征对应的每一层计算余弦相似度得到包含丰富信息的密集相似性关系图；同时对每一种层次特征上的多层特征对应元素相加得到稀疏特征图，提出双注意力特征增强模块基于自注意力和互注意力增强不同层次的特征并计算特征间的余弦相似度，得到表征support图像和query图像相似性的关系图，提出特征聚合精炼模块整合上下文特征和捕获support特征和query特征间的相似性，对多种相似性特征图进行解码预测query图像的异常分布，将预测图像与其对应标注的mask图像基于交叉熵损失函数计算损失，基于Adam算法优化模型的参数，反复迭代训练出最优的模型；S4，测试结果输出：将需要测试的query图像按照上述步骤输入步骤S3训练后得到的最优多层次支撑-查询图像特征交互网络模型，输出异常类别的预测结果。

全文数据：

权利要求：

百度查询： 东南大学 基于特征交互网络的小样本动车异常检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD