The invention discloses an image anomaly detection method based on generating confrontation network, which takes into account the characteristics of normal image and abnormal image synthetically, and generates abnormal image and detects abnormal image by generating confrontation model. The steps include: acquiring training data set and constructing hidden space; constructing generating network and generating picture set; constructing coding network and generating graph. The mapping of the slice set in the hidden space; the identification network and the detection network and the construction of shared parameters; the generation network, the coding network, the network discrimination network and the detection network constitute the formation of the antagonistic network and conduct antagonistic training. The invention can make full use of the relationship between abnormal data and normal data to generate a countermeasure network for detecting abnormal images, thereby effectively determining the normal data boundary and improving the accuracy of abnormal detection.
【技术实现步骤摘要】
一种基于生成对抗网络的图像异常检测方法
本专利技术涉及异常检测领域,具体地说是一种基于生成对抗网络的图像异常检测方法。
技术介绍
图像中的异常检测是指不符合预期正常类的图像的经典问题。其数据特点表现为异常图像样本足,现有数据中正常图像远多于异常样本。随着技术和需求的迅速发展,异常检测出现在不同应用领域,这些应用领域包括安全监控、流量监控、医学图像疾病诊断等众多应用。图像异常检测的关键是对正常图像和异常图像的分布进行建模,这些图像通常具有高维性和复杂性。近年来,生成对抗模型在图像复杂模式的建模和合成中显示出良好的效果。利用生成对抗模型对正常图像的数据分布进行建模,用于异常检测,已经做了初步的尝试。然而,所有现有的模型集中于发现正常模式。如何利用生成对抗模型来更好地区分正常模式和异常模式之间的边界的问题仍然需要探索,尤其是在异常图像非常有限的情况下。
技术实现思路
本专利技术是为了避免上述现有技术所存在的问题,提出了一种基于生成对抗网络的图像异常检测方法,以期能够充分利用异常数据以及正常数据之间的关系生成对抗网络用于检测异常图像,从而有效的确定正常数据边界,并提高异常检测的精度。本专利技术为解决技术问题采用如下技术方案:本专利技术一种基于生成对抗网络的图像异常检测方法的特点是按如下步骤进行:步骤1、获取训练图像数据集I并构造隐含空间Z:步骤1.1、获取训练图像数据集I:获取真实的异常图像集,记为X={x1,x2,...,xi,...,xN},其中xi表示第i张异常图像,i=1,2,...,N,N为异常图像的总数;获取真实的正常图像集,记为Y={y1,y2,..., ...
【技术保护点】
1.一种基于生成对抗网络的图像异常检测方法,其特征是按如下步骤进行:步骤1、获取训练图像数据集I并构造隐含空间Z:步骤1.1、获取训练图像数据集I:获取真实的异常图像集,记为X={x1,x2,...,xi,...,xN},其中xi表示第i张异常图像,i=1,2,...,N,N为异常图像的总数;获取真实的正常图像集,记为Y={y1,y2,...,yj,...,yM},其中yj表示第j张正常图像,j=1,2,...,M,M为正常图像的总数;且M>>N;令I={X,Y}表示训练图像数据集;步骤1.2、构造隐含空间Z:在[‑0.1,0.1]范围内的均匀分布上构造隐含空间Z,以z表示所述隐含空间Z上的任意一个隐含空间向量;步骤2、构造生成网络G,得到生成图像集合
【技术特征摘要】
1.一种基于生成对抗网络的图像异常检测方法,其特征是按如下步骤进行:步骤1、获取训练图像数据集I并构造隐含空间Z:步骤1.1、获取训练图像数据集I:获取真实的异常图像集,记为X={x1,x2,...,xi,...,xN},其中xi表示第i张异常图像,i=1,2,...,N,N为异常图像的总数;获取真实的正常图像集,记为Y={y1,y2,...,yj,...,yM},其中yj表示第j张正常图像,j=1,2,...,M,M为正常图像的总数;且M>>N;令I={X,Y}表示训练图像数据集;步骤1.2、构造隐含空间Z:在[-0.1,0.1]范围内的均匀分布上构造隐含空间Z,以z表示所述隐含空间Z上的任意一个隐含空间向量;步骤2、构造生成网络G,得到生成图像集合步骤2.1、设定所述生成网络G的隐含层总层数为kG;令当前隐含层为第hG层;步骤2.2、初始化hG=1;步骤2.3、根据式(1)计算隐含空间向量z在第hG层隐含层的输出从而得到隐含空间Z上所有隐含空间向量在第hG层隐含层的输出:式(1)中,BN(·)是批归一化层;表示所述生成网络G的第hG层隐含层的转换矩阵;表示所述生成网络G的第hG层隐含层的偏置矩阵;当hG=1时,令步骤2.4、将hG+1赋值给hG,并判断hG>kG是否成立,若成立,则令表示隐含空间向量z在所述生成网络G上的生成图像,从而得到隐含空间Z上所有隐含空间向量在所述生成网络G上生成图像集合否则,返回步骤2.3执行;步骤3、构造编码网络C,得到生成图像集合在隐含空间Z上的映射步骤3.1、设定所述编码网络E的隐含层总层数为kC,令当前隐含层为第hC层;步骤3.2、初始化hC=1;步骤3.3、根据式(2)计算隐含空间向量z在所述生成网络G上的生成图像在第hC层的输出从而得到隐含空间Z上所有隐含空间向量在所述生成网络G上的生成图像集合在第hC层隐含层的输出:式(2)中,表示所述编码网络C的第hC层隐含层的转换矩阵;表示所述编码网络E的第hC层隐含层的偏置矩阵;当hC=1时,令步骤3.4、将hC+1赋值给hC,并判断hC>kC是否成立,若成立,则令表示隐含空间向量z在所述生成网络G上的生成图像在隐含空间Z上的映射,从而得到生成图像集合在隐含空间Z上的映射否则,返回步骤3.3执行;步骤4、通过判别网络D1和检测网络D2并构造共享参数:步骤4.1、构造判别网络D1:步骤4.1.1、以所述真实的异常图像集X和生成图像集合构成组合异常图像集Id1,并作为所述判别网络D1的输入数据;步骤4.1.2、设定判别网络D1的隐含层总层数为令当前隐含层为第层;步骤4.1.3、初始化步骤4.1.4、根据式(3)计算所述组合异常图像集Id1中任意一张组合异常图像id1在第层的输出从而得到所述组合异常图像集Id1中所有组合异常图像在第层的输出:式(3)中,表示所述判别网络D1的第层隐含层的转换矩阵;表示所述判别网络D1的第层隐含层的偏置矩阵;当时,令步骤4.1.5、将赋值给并判断是否成立,若成立,则表示得到所述组合异常图像集Id1中所有组合异常图像在第层的输出,并执行步骤4.1.6;否则,返回步骤4.1.4执行;步骤4.1.6、根据式(4)得到所述判别网络D1对任意一张组合异常图像id1属于真实的异常图像集X的概率D1(id1):式(4)中,f(·)是sigmoid函数;表示所述判别网络D1的第层隐含层的转换矩阵;表示所述判别网络D1的第层隐含层的偏置矩阵;步骤4.2、构造检测网络D2:步骤4.2.1、以所述真实的异常图像集X、生成图像集合和真实的正常图像集Y构成组合图像集Id2,并作为...
【专利技术属性】
技术研发人员:吴乐,陈雷,汪萌,洪日昌,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:安徽,34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。