申请/专利权人：深圳大学

申请日：2023-12-20

公开（公告）日：2024-04-12

公开（公告）号：CN117877030A

主分类号：G06V20/70

分类号：G06V20/70;G06V10/26;G06V10/44;G06V10/52;G06V10/74;G06V10/80;G06V10/82;G06T7/00

优先权：

专利状态码：在审-公开

法律状态：2024.04.12#公开

摘要：本发明公开了一种基于SAM的少样本工业异常分割深度学习方法、装置及终端，方法包括：获取查询图像和支持图像，提取所述查询图像和支持图像的多尺度特征；计算所述查询图像的多尺度特征和所述支持图像的多尺度特征的余弦相似性，根据所述余弦相似性得到L2距离图；获取原型支持，将所述原型支持与所述L2距离图结合，得到粗分割提示；将所述粗分割提示输入提示编码器，生成所述查询图像的分割结果；本发明提出的一种基于SAM的少样本工业异常分割深度学习方法，解决了现有的工业图像异常分割方法还存在无法在少样本的情况下对工业图像异常区域进行分割的技术问题。

主权项：1.一种基于SAM的少样本工业异常分割深度学习方法，其特征在于，所述基于SAM的少样本工业异常分割深度学习方法包括以下步骤：获取查询图像和支持图像，分别提取所述查询图像和所述支持图像对应的多尺度特征；计算所述查询图像的多尺度特征与所述支持图像的多尺度特征的余弦相似度，根据所述余弦相似度得到L2距离图；获取原型支持，将所述原型支持与所述L2距离图结合，得到粗分割提示；将所述粗分割提示输入提示编码器，生成所述查询图像的分割结果。

全文数据：

权利要求：

百度查询： 深圳大学 基于SAM的少样本工业异常分割深度学习方法、装置及终端

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