異常檢測是計算機(jī)視覺與人工智能領(lǐng)域的核心課題之一，其目標(biāo)是在圖像或視頻序列中自動識別出與正常模式顯著不同的異常對象或事件。傳統(tǒng)方法大多依賴于視覺外觀特征，如紋理、顏色、形狀等，但在光照變化、遮擋頻繁或目標(biāo)形態(tài)多變的真實場景中，僅憑視覺信息往往難以實現(xiàn)穩(wěn)定、魯棒的檢測。此外，許多異常不僅體現(xiàn)在靜態(tài)的外觀上，更隱含在其動態(tài)的“波動”特性中——即目標(biāo)在時間或空間維度上表現(xiàn)出的變化模式，如運動軌跡的突然改變、信號頻率的異常波動等。如何有效捕捉并融合這兩類互補信息，一直是該領(lǐng)域的研究難點。
中國科大的研究團(tuán)隊正是針對這一挑戰(zhàn)，設(shè)計了一套高效的雙流特征融合架構(gòu)。該框架并行處理視覺特征與波動特征：一方面，通過先進(jìn)的深度卷積網(wǎng)絡(luò)提取圖像的視覺語義信息；另一方面，利用時序建?；蝾l域分析技術(shù)，從數(shù)據(jù)序列中提取刻畫變化規(guī)律的波動特征。隨后，通過精心設(shè)計的融合模塊，將兩種特征進(jìn)行深層關(guān)聯(lián)與互補增強(qiáng)，使得模型既能“看清”異常的外觀表象，也能“感知”其內(nèi)在的動態(tài)異質(zhì)性。
實驗驗證表明，這一融合框架在多個公開異常檢測數(shù)據(jù)集上均取得了領(lǐng)先性能。與僅使用視覺特征的方法相比，新框架在復(fù)雜工業(yè)零件缺陷檢測中，對細(xì)微裂紋的識別率顯著提升；在視頻監(jiān)控異常行為分析中，對突發(fā)性異常運動的檢測誤報率大幅降低。這充分證明了引入波動特征進(jìn)行多維度感知的有效性。
該研究的價值不僅在于提出了一個新的技術(shù)框架，更深層的意義在于為異常檢測研究提供了重要的方法論啟示：在人工智能邁向更通用、更智能的過程中，融合多模態(tài)、多視角的特征是突破現(xiàn)有瓶頸的關(guān)鍵路徑之一。視覺特征描繪對象的“表象”，波動特征刻畫其“行為”，兩者結(jié)合才能構(gòu)建更為完整的感知體系，更貼近人類綜合判斷的思維方式。
展望未來，這套視覺與波動特征融合的框架具備廣闊的落地潛力。在智能制造中，它可用于高精度實時質(zhì)檢；在智慧醫(yī)療中，可輔助識別影像中的早期病灶動態(tài)特征；在城市安防中，可實現(xiàn)更靈敏可靠的突發(fā)事件預(yù)警。隨著算法的進(jìn)一步優(yōu)化與適配，這項來自中國科大的創(chuàng)新成果，將持續(xù)助力我國在人工智能基礎(chǔ)研究與產(chǎn)業(yè)應(yīng)用前沿保持競爭力，為發(fā)展更安全、更高效的智能系統(tǒng)注入核心動力。
