1.一种基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤如下:S1:采用多尺度特征学习方法对小样本图像数据进行预处理,利用多尺度原型来表示正常模式,捕捉不同尺度的空间信息;
S2:采用超图整合不同尺度间的信息,将多尺度原型捕捉的多尺度下空间信息特征作为超图的顶点,再对每个尺度的顶点分别进行Agglo-MS聚类,生成超边;
S3:通过交叉注意力机制将不同尺度的特征进行融合,形成融合后的特征并计算出交叉注意力权重;
S4:将融合后的特征经过空间变换神经网络进行空间变换,得到空间变换特征,再采用孪生网络进行训练,实现特征配准,得到配准特征,训练过程中,将待检测样本和支撑样本分别输入到孪生网络的两个分支中;
S5:使用分布估计模型拟合支撑图像的配准特征分布,得到特征分布模型;用异常评定函数计算待测试图像的配准特征与特征分布模型之间的马氏距离矩阵,马氏距离矩阵组成了异常分数矩阵,通过异常分数矩阵指示待测试图像中的异常区域,从而实现异常检测;
步骤S2中,超图
给定任意一个集合
当
步骤S2中,采用超图整合不同尺度间的信息,用其中
针对每个尺度的顶点,执行Agglo-MS聚类:使用Agglo-MS聚类算法对顶点集合对于每个尺度,生成超边集合
尺度j下索引为
步骤S2中,超图中基于空间关系的超边在生成超图G空间关系的关联矩阵
式中
步骤S3中,对于尺度j下的顶点
注意力权重
其中,
2.根据权利要求1所述的基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤S1所述利用多尺度原型来表示正常模式,捕捉不同尺度的空间信息,过程如下:S11:定义
S12:使用在ImageNet上预训练的特征提取网络来获得输入图像在不同尺度上的特征;使用特征S13:尺度j下的原型
S14:K-means聚类后,将原型数量设置为正态样本数量的一定比例;定义在尺度j下特征其中,
3.根据权利要求1所述的基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤S4中,采用空间变换神经网络对融合后的特征其中(s
4.根据权利要求3所述的基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤S4中,采用孪生网络中的编码器处理空间变换特征,使用图像特征配准损失函数D实现特征配准,计算公式如(11)所示:其中,
5.根据权利要求4所述的基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤S5中,使用分布估计模型拟合支撑图像的配准特征分布,得到特征分布模型,具体过程为:将支撑图像划分为
其中
6.根据权利要求5所述的基于多尺度超图及特征配准的小样本异常检测方法,其特征在于,步骤S5中,马氏距离矩阵其中,