The invention relates to an anomaly image detection method based on supervised generation antagonism network, which includes the following steps: 1) acquiring the image to be detected; 2) inputting the image to be detected into a trained Supervised GANomaly model to obtain the corresponding anomaly category trust value; 3) judging whether the anomaly category trust value is greater than an anomaly category discrimination threshold, and if so, judging. The Supervised GANomaly model includes generating network, coding network, discriminant network and classification network, in which the generating network, coding network and discriminant network are used to learn the feature distribution of normal samples, and classification network is used to distinguish normal samples from abnormal samples. Compared with the prior art, the present invention has the advantages of effectively separating normal samples from abnormal samples and good robustness.
【技术实现步骤摘要】
一种基于监督式生成对抗网络的异常图像检测方法
本专利技术涉及异常图像检测
,具体是涉及一种基于监督式生成对抗网络的异常图像检测方法。
技术介绍
随着人工智能方法的不断发展和普及,自动化检测技术受到了越来越广泛的关注。异常图像检测,作为自动化检测的一个重要分支,在工业质检、医学诊断、自动驾驶、安防等领域发挥了越来越重要的作用。异常图像检测的方法大致可以分为三类,监督式方法、半监督式方法和无监督式方法。监督式异常检测方法类似机器学习中的分类方法,但是异常检测问题中,正常样本通常比较多,而异常样本通常非常少,类别不平衡问题严重,因而一般机器学习中的分类方法通常无法很好地应用于异常检测问题。半监督式异常检测方法中,只有少量样本被标注过,绝大部分样本是未标注的,因而需要通过建立标注样本和未标注样本间的联系,来学习异常检测模型。无监督式异常检测方法,基于异常检测问题中绝大多数样本都是正常的这个假设,不添加任何额外标注,直接利用这些正常样本来学习正常样本的模型,再通过这个模型来预测新的样本是否有异常。这三类方法中,无监督式学习方法在过去十几年里得到了最广泛的研究和应用,其中代表性的方法主要包括单类支持向量机(One-ClassSVM,简称OC-SVM)和自编码器(Autoencoder,简称AE)两种。近两年,研究者们又将目光转向了新兴的生成对抗网络(GenerativeAdversarialNetwork,简称GAN)方法上。GANomaly(arXivpreprint2018)是基于生成对抗网络的异常检测方法中比较新颖并且效果很好的一种方法,它在自编码器生成模 ...
【技术保护点】
1.一种基于监督式生成对抗网络的异常图像检测方法,其特征在于,该方法包括以下步骤:1)获取待检测图片;2)将所述待检测图片输入一训练好的Supervised GANomaly模型,获得对应的异常类别信任值;3)判断所述异常类别信任值是否大于一异常类别判别阈值,若是,则判定为异常图像,若否,则判定为正常图像;所述Supervised GANomaly模型包括生成网络、编码网络、判别网络和分类网络,在训练时,所述生成网络、编码网络和判别网络用于学习正常样本的特征分布,分类网络用于区分正常样本和异常样本;在应用时,由分类网络输出异常类别信任值。
【技术特征摘要】
1.一种基于监督式生成对抗网络的异常图像检测方法,其特征在于,该方法包括以下步骤:1)获取待检测图片;2)将所述待检测图片输入一训练好的SupervisedGANomaly模型,获得对应的异常类别信任值;3)判断所述异常类别信任值是否大于一异常类别判别阈值,若是,则判定为异常图像,若否,则判定为正常图像;所述SupervisedGANomaly模型包括生成网络、编码网络、判别网络和分类网络,在训练时,所述生成网络、编码网络和判别网络用于学习正常样本的特征分布,分类网络用于区分正常样本和异常样本;在应用时,由分类网络输出异常类别信任值。2.根据权利要求1所述的基于监督式生成对抗网络的异常图像检测方法,其特征在于,所述SupervisedGANomaly模型的训练过程如下:101)获取图像数据,包括正常样本队列和异常样本队列;102)设定训练参数;103)以在线随机过采样方法从所述图像数据中获得每次迭代需要使用的训练样本,对所述训练样本进行预处理后,作为SupervisedGANomaly模型的输入;104)采用随机梯度下降法交替优化判别网络、生成网络和分类网络,更新各部分网络权值,直至迭代结束;105)计算获得异常类别判别阈值。3.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法,其特征在于,所述训练参数包括最小批次值Nbatch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。4.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法,其特征在于,所述在线随机过采样方法具体为:每轮迭代开始前先随机打乱所述正常样本队列和异常样本队列,生成一个[0.25,0.5]之间的随机数R,取异常样本队列中的前张图片作为该轮迭代的异常样本,取正常样本队列中的前张图片作为该轮迭代的正常样本,所述异常样本和正常样本组成该轮迭代的训练样本。5.根据权利要求2所述的基于监督式生成对抗网络的异常...
【专利技术属性】
技术研发人员:罗长志,郑军,
申请(专利权)人:聚时科技上海有限公司,
类型:发明
国别省市:上海,31
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。