基于生成对抗网络不确定性注意力增强分布外图像检测法制造技术

本发明专利技术提供一种基于生成对抗网络不确定性注意力增强分布外图像检测法，该方法引入了生成对抗网络，使得分类器的分类结果更加可靠，并且考虑了判别器的不确定性，并且利用不确定性对特征进行加权，使分类器更加关注分布内样本不同于分布外样本的区域，忽略掉两种数据容易混淆的区域，极大地提升了softmax最大分类概率值在分布外样本检测任务中的有效性，以及其在两类数据中的区分性。对于分布外样本，利用不确定性计算出的特征注意力图会让分类器关注更加错误的区域，导致更低的自信分数，进而提升检测效果；本方法不会使用判别器作为分布外样本的检测手段，对于边缘样本不容易产生误判，可以得到更好的检测效果。可以得到更好的检测效果。可以得到更好的检测效果。

【技术实现步骤摘要】
基于生成对抗网络不确定性注意力增强分布外图像检测法


[0001]本专利技术涉及分布外样本检测领域，更具体地，涉及一种基于生成对抗网络不确定性注意力增强分布外图像检测法。

技术介绍

[0002]分布外数据是与训练所用的分布内样本有很明显不同的数据，将分布外数据检测出来的方法叫做分布外样本检测或者离群点检测方法。与异常检测任务相比，分布外检测通常应用于有标签数据，即考虑数据集的分布内样本的可识别分类特征。与无监督异常检测方法相比，该任务中的分布外数据覆盖范围大，无法将其视作同一类别。
[0003]许多深度学习的模型只有在测试数据和训练数据相似的情况下才能获得成功，在遇到与训练数据分布不同的样本时，该模型往往表现得不好，这与真实世界的情况相距甚远。更糟糕的时，模型会给出一个看似自信但是错误的预测，这可能会导致一些严重的不良后果。所以现实生活中的一些包含大型数据集的应用领域需要我们对分布外检测给予更多的研究关注。比如自动驾驶中的汽车控制问题，在遇到一个没见过的障碍物时需要汽车能够做出安全的反应而不是盲目地做出错误判断；医疗领域中检测CT照片中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络不确定性注意力增强分布外图像检测法，其特征在于，包括以下步骤：S1：图像输入特征提取器获得特征，并将特征输入至判别器判别是否为分布内样本，同时将特征输入至判别器的不确定性估计器获取判别结果的不确定性；S2：利用S1得到的判别器不确定性进行注意力图的计算，并用该注意力图对S1获取的特征进行加权；S3：将S1和S2得到的加权后的特征作为分类器的输入得到数据分类的概率值。2.根据权利要求1所述的基于生成对抗网络不确定性注意力增强分布外图像检测法，其特征在于，所述步骤S1的具体过程是：获取图像数据，首先将其输入至特征提取器提取出特征，如公式(1)，提取出的特征输入至分类器获取分类结果，如公式(2)，同时将特征输入至分类器的不确定性估计器获取分类结果的不确定性，如公式(2)h＝F(x)
ꢀꢀꢀꢀ
(1)y＝Softmax(D(h))
ꢀꢀꢀꢀ
(2)σ2＝log(1+exp(U(h)))
ꢀꢀ
(3)其中x表示输入的图像数据，σ表示分类结果的偶然不确定性，F表示特征提取器，D表示生成对抗网络中的判别器，U表示判别器的不确定性估计器。3.根据权利要求2所述的基于生成对抗网络不确定性注意力增强分布外图像检测法，其特征在于，式(2)中所获得的是样本的分类分布，但该分布并非最终需要的分类结果，而是用以训练不确定性估计器。4.根据权利要求3所述的基于生成对抗网络不确定性注意力增强分布外图像检测法，其特征在于，(3)中的不确定性作为输出结果的方差，必须为正，所以并没有直接使用不确定性估计器的...

【专利技术属性】
技术研发人员：苏勤亮，高月，
申请(专利权)人：中山大学，
类型：发明
国别省市：