上科大資訊學院高盛華課題組在影象異常檢測領域取得重要成果

上科大資訊學院高盛華課題組與合作者在影象異常檢測的研究中取得重要進展。該成果目前以“Memorizing Structure-Texture Correspondence for Image Anomaly Detection”為題在機器學習領域代表性學術期刊IEEE Transactions on Neural Networks and Learning Systems (TNNLS)上線上發表。

網路結構示意

影象異常檢測是指在訓練階段僅利用正常影象得到一個可以在測試階段識別異常的任務。在現實場景中，異常樣本（例如，工業檢測影象中的不常見缺陷和醫學影象中的罕見疾病）通常是較難獲取的。

因此，收集大量的、包含所有可能異常的影象資料並不容易，這也導致基於監督學習的影象分類方法不能直接應用於所需場景。相比之下，收集正常的訓練樣本相對容易。

由於異常檢測任務在工業影象分析和醫學影象分析等領域的潛在應用，引起了相關領域的廣泛關注。

定性實驗結果圖 定性實驗結果圖

當前，對影象異常檢測的方法主要是使用基於自動編碼器的模型重建輸入影象來處理異常檢測。這種方法假設正常影象的重建誤差很小，而異常影象的重建誤差很大。

高盛華課題組觀察到正常影象是高度結構化的，而異常影象中的結構呈現出不規則的、被破壞的情況。正常結構可以推斷出正常紋理，而異常結構很難推斷出異常紋理。

因此，本文提出利用結構-紋理對應關係進行影象異常檢測。具體來說，本文提出了結構-紋理對應關係的儲存模組。由於該模組只儲存了正常結構和正常紋理的對應關係，因此其對異常影象的重構誤差較大。實驗驗證了本文提出的方法在工業檢測影象和醫學影象均有效。

此項工作由上海科技大學、南方科技大學、上海交通大學、新加坡科技研究局等單位協作完成。

上海科技大學資訊學院2019級博士生周康和2020級博士生李晶為共同第一作者，高盛華教授為通訊作者。該研究得到上海市自然科學基金以及國家自然科學基金等專案的大力支援。