异常图像检测模型的训练方法、装置及介质制造方法及图纸

本申请提供一种异常图像检测模型的训练方法、装置及介质。该方法在获取多个图像训练样本和相应的样本标签后，针对每个图像训练样本，将图像训练样本作为输入数据，输入预设的改进后的异常图像检测网络模型，得到输出的图像训练样本的检测结果；其中，改进后的异常图像检测网络模型的初始网络权重值是基于计算机视觉系统识别项目ImageNet数据库中的样本训练数据集预先训练好的网络权重值；基于每个图像训练样本的检测结果与相应样本的样本标签，对改进后的异常图像检测模型进行迭代训练，得到训练完成的异常图像检测模型。该方法提高了模型的训练效率，和模型的检测准确率。和模型的检测准确率。和模型的检测准确率。

【技术实现步骤摘要】
异常图像检测模型的训练方法、装置及介质


[0001]本申请涉及图像检测
，具体而言，涉及一种异常图像检测模型的训练方法、装置及介质。

技术介绍

[0002]对于社会主体(电信业务经营者、互联网服务提供者)而言，异常图片识别技术需要快速、便捷地反馈检测目标是否为疑似违规信息的结果，从而支撑相关单位和个人规避相应的法律风向；对于执法部门而言，违规图像的审核认定本质上属于一项司法行为，其鉴定结果应当由具备相关资质的单位出具，检测技术可以用于辅助审核认定、提升工作效率。综上，搭建一个自动识别异常图像检测的系统至关重要。
[0003]目前识别异常图像的常见方法有基于对形状、颜色、梯度、光流等特征信息提取，再结合分类器的传统机器学习方法，以及结合了特征自动提取和分类的深度学习技术。
[0004]然而，传统机器学习方法预测的准确性不高，且深度学习技术需要大量的训练样本数据和基础深度神经网络模型架构，而对于通过对原有图像进行水平翻转、垂直翻转、修改明暗度得到的训练样本数据，在对基础深度神经网络模型进行训练中容易发生过拟合的问题，进而影响图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常图像检测模型的训练方法，其特征在于，所述方法包括：获取多个图像训练样本和相应的样本标签，所述多个图像训练样本包括正常的图像训练样本和异常的图像训练样本；针对每个图像训练样本，将所述图像训练样本作为输入数据，输入预设的改进后的异常图像检测网络模型的输入网络结构，所述改进后的异常图像检测网络模型中配置的残差网络结构，对所述输入网络结构输出的图像信息提取图像特征向量，由所述改进后的异常图像检测网络模型的输出网络结构，对提取的图像特征向量进行检测，得到输出的所述图像训练样本的检测结果；其中，所述改进后的异常图像检测网络模型的初始网络权重值是基于计算机视觉系统识别项目ImageNet数据库中的样本训练数据集预先训练好的网络权重值；基于所述每个图像训练样本的检测结果与相应样本的样本标签，对所述改进后的异常图像检测网络模型进行迭代训练，得到训练完成的异常图像检测模型。2.如权利要求1所述的方法，其特征在于，所述改进后的异常图像检测网络模型的输入网络结构包括1个卷积层、1个最大池化层和1个通道注意力机制模块；其中，所述卷积层，用于对所述输入数据进行特征提取，得到初级图像特征向量；所述通道注意力机制模块，用于对所述初级图像特征向量进行压缩，得到所述初级图像特征向量的全局压缩特征向量；将所述初级图像特征向量的全局压缩特征向量，按照特征通道进行处理，得到所述初级图像特征向量的特征通道权值向量，并将所述特征通道权值向量与所述初级图像特征向量相乘，输出聚焦于特征通道的次级图像特征向量；所述最大池化层，用于获取所述通道注意力机制层输出的次级图像特征向量对应的最大图像特征向量。3.如权利要求1所述的方法，其特征在于，所述改进后的异常图像检测网络模型中配置的残差网络结构包括依次连接的多个配置的残差单元；每个配置的残差单元包括1个初始残差单元和1个通道注意力机制模块；所述通道注意力机制模块嵌入到所述初始残差单元中最后一个卷积层之前。4.如权利要求3所述的方法，其特征在于，在所述配置的残差网络结构包括依次连接的4个配置的残差单元时，所述4个配置的残差单元中的第一个配置的残差单元包括3个卷积层，第二个配置的残差单元包括4个卷积层，第三个配置的残差单元包括6个卷积层，第四个配置的残差单元包括3个卷积层，其中，每个卷积层中卷积核大小相同。5.如权利要求1所述的方法，其特征在于，所述改进后的异常图像检测网络模型的输出网络结构包括1个通道注意力机制模块、1个平均池化层和1个全连接层；所述通道注意力机制模块，用于对所述配置的残差网络结构输出的所述图像特...

【专利技术属性】
技术研发人员：袁得嵛，孟玉颜，
申请(专利权)人：中国人民公安大学，
类型：发明
国别省市：