申请/专利权人:深圳大学
申请日:2024-01-02
公开(公告)日:2024-04-26
公开(公告)号:CN117935258A
主分类号:G06V20/70
分类号:G06V20/70;G06V10/26;G06V10/44;G06V10/52;G06V10/80;G06V10/82;G06T7/00
优先权:
专利状态码:在审-公开
法律状态:2024.04.26#公开
摘要:本发明公开了一种基于视觉基础模型的少样本异常分割方法及相关设备,所述方法包括:获取不同类型产品的正常图像和异常图像;将正常图像和所述异常图像作为数据样本集输入到少样本异常分割模型进行训练,得到训练好的少样本异常分割模型;获取当前目标产品的正常产品图像和待检测产品图像,将正常产品图像和待检测产品图像输入到已训练好的少样本异常分割模型进行异常区域检测,输出待检测产品图像的异常分割结果。本发明通过获取正常和异常图像,通过图像编码器生成中间特征,特征聚合器融合中间层特征并计算差异图,异常提议器生成异常提议图,转换为异常提示向量输入进掩码解码器生成异常分割的掩膜输出,实现对不同类别和场景的异常分割泛化。
主权项:1.一种基于视觉基础模型的少样本异常分割方法,其特征在于,所述基于视觉基础模型的少样本异常分割方法包括:获取数据采集平台采集的不同类型产品的正常图像和异常图像;将所述正常图像和所述异常图像作为数据样本集,将所述数据样本集输入到少样本异常分割模型进行训练,得到训练好的少样本异常分割模型;获取当前目标产品的正常产品图像和待检测产品图像,将所述正常产品图像和所述待检测产品图像输入到已训练好的所述少样本异常分割模型进行异常区域检测,输出所述待检测产品图像的异常分割结果。
全文数据:
权利要求:
百度查询: 深圳大学 一种基于视觉基础模型的少样本异常分割方法及相关设备
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。