买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种基于自监督学习和特征降噪的图像异常检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119205707B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411364694.7，技术领域涉及：G06T7/00；该发明授权一种基于自监督学习和特征降噪的图像异常检测方法是由徐琴珍;王宇博;刘逸飞;沈子瑜;周波;杨绿溪设计研发完成，并于2024-09-29向国家知识产权局提交的专利申请。

本一种基于自监督学习和特征降噪的图像异常检测方法在说明书摘要公布了：本发明公开了一种基于自监督学习和特征降噪的图像异常检测方法，属于图像异常检测技术领域。包括深度特征提取、深度特征融合、深度特征重建、异常分割步骤。本发明充分利用深度学习模型多尺度特征的优点，对多尺度特征进行有效融合。同时，在融合多尺度特征之后，对其进行重建以实现降噪操作。并在模型最后添加分割头，以提升模型性能。与现有方法相比，本模型以同等级的参数量和训练成本达到了更好的异常检测效果。

本发明授权一种基于自监督学习和特征降噪的图像异常检测方法在权利要求书中公布了：1.一种基于自监督学习和特征降噪的图像异常检测方法，其特征在于，包括以下步骤： 步骤1、采集正常图片后进行预处理以生成训练集，采集正常图片和异常图片后进行预处理以生成测试集，并针对训练集的图像生成人造异常， 步骤2、将异常图像和正常图像送入基于自监督学习和特征降噪的图像异常检测模型，特征生成网络会分别生成正常图像和异常图像的深度特征，之后将异常图像的深度特征进行特征融合， 所述基于自监督学习和特征降噪的图像异常检测模型结构分为特征生成网络、深度特征降噪网络和分割网络； 所述特征生成网络采用包含预训练权重的ResNet18模型，其是一个深度卷积神经网络模型，通过残差连接解决了梯度消失的问题；ResNet18模型包含了18个层次，其中分为五个残差块和最后的全局平均池化层，残差块中每个卷积层后使用ReLU激活函数；所述ResNet18模型采用在ImageNet数据集上与训练得到的网络权重：conv_5x和最后的全局平均池化， 步骤3、将进行特征融合后的异常图像的深度特征送入深度特征降噪网络，此时开始训练深度特征降噪网络，训练完成后，保存深度特征降噪网络的网络模型参数， 所述深度特征降噪网络包含编码器结构和解码器结构，其编码器结构为删除了第一个残差块：conv_1x和最后平均池化层的ResNet18模型，解码器结构是一个通过双线性上采样替换所有下采样的反向ResNet18模型，其中编码器和解码器的参数都是随机初始化的；在训练时，最小化特征提取网络和深度特征降噪网络相对应块的输出之间的余弦距离， 步骤4、开始训练分割网络，此时仅将异常图像送入基于自监督学习和特征降噪的图像异常检测模型中，训练完成后，保存分割网络的网络模型参数， 所述分割网络的结构为：计算特征生成网络和深度特征降噪网络的解码器相对应块的特征层之间的相似性，并将计算结果上采样到输入图片大小的四分之一，接着将其按顺序分别经过两个残差块，一个空洞空间金字塔池化模块进行后续处理，得到最后分割网络模型的输出结果；在训练时，最小化分割网络模型输出与人造异常的二进制掩码之间的聚焦损失和绝对误差损失L1之和； 步骤5、将步骤3中保存的深度特征降噪网络的模型参数和步骤4中保存的分割网络的模型参数分别加载进深度特征降噪网络和分割网络中，接着将用于检测的图片放入基于自监督学习和特征降噪的图像异常检测模型中进行检测，最后获得模型所输出的图像级异常检测结果和像素级异常检测结果； 其中，步骤2中的具体过程如下： 步骤2.1、加载特征生成网络的预训练的ResNet18模型权重， 步骤2.2、将正常图像In送入特征生成网络中，得到正常图像的多级深度特征 步骤2.3、将异常图像Ia送入特征生成网络中，得到异常图像的多级深度特征 并分别为其设定一个可学习的权重参数w1，w2，w3，以及一个偏置项ε，然后对异常图像的多级深度特征进行以下特征聚合操作，得到聚合后的深度特征Ta，

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。