专利交易市场

本发明公开了一种基于因果时间关系模块的视频异常检测方法，该方法包括：首先收集视频数据作为训练集与测试，将其并划分为不重叠的片段，将视频视为包、片段视为示例；将视频示例输入至特征提取网络I3D中来提取其原始特征；利用因果时间关系模块来提取包含时间依赖关系的增强特征，将其输入到全连接层得到示例的异常得分，再通过设计的损失函数来训练模型；测试阶段将视频示例的原始特征输入最优的异常检测模型中，将预测结果与测试集的标签比对得到异常检测的准确率。本方法基于视频级标签，仅使用当前和历史的帧信息通过因果时间关系模块来提取时间相关性，有利于异常的在线检测，提升了异常检测的精度。

本发明涉及一种基于多尺度裁剪和自监督重建的肺部CT异常检测方法。首先设置了一种适用于肺部CT扫描图像的自我监督增强策略CropMixPaste，以生成类似磨玻璃阴影的异常，从而鼓励模型检测肺部CT扫描图像的局部不规则性；然后，将简单掩蔽注意预测块（SMAPB）插入卷积网络中，利用此自监督重建模块预测掩蔽信息来细化局部特征；最后，利用自监督代理任务中学习到的表示构建异常检测器。在真实肺部CT扫描数据集上的实验结果证实了本发明方法的有效性和优异性。

本发明公开了一种基于注意力U形卷积网络的异常检测方法，涉及异常检测方法，包括以下步骤：S1：进行全局和局部采样，全局采样将整张图像的patch作为模型的输入，局部采样将一张图像上的patch作为模型的输入；S2：构建模型：模型包括基础U‑Net和三个嵌入模块；S3：模型嵌入：将模型嵌入到EfficientAD方法中，将原来的自编码器替换为注意力U‑Net，形成整体的网络架构；S4：模型训练：针对不同逻辑异常采用不同的旋转训练策略，将训练的图像输入网络进行训练，生成异常检测模型并保存；S5：检测结果：输入一批测试图像，利用训练好的异常检测模型进行推理，返回检测和定位结果。本发明使用U‑Net重构后得到的异常图轮廓更加分明，得到的定位结果更精细。