一种两阶段的基于生成对抗网络的图像异常检测方法技术

本发明专利技术公开了一种两阶段的基于生成对抗网络的图像异常检测方法，该方法构建了卷积神经网络和三条并行的多尺度卷积流组成的图像特征提取模块用于获取输入图像的图像特征；并将得到的图像特征输入到带有Attention Gate的生成器中，使生成器生成与原始图像尽可能相似的重建图像，再将重建图像和原始图像共同输入到鉴别器中，得到由每一张测试图像的异常分数所组成的异常分数向量，将其归一化处理后通过比较异常分数的数值大小来区分正常图像和异常图像，本发明专利技术在模型的训练阶段只使用正常图像来进行训练，在测试阶段则使用正常和异常图像进行测试，可有效解决目前异常检测方法中异常样本数量与正常样本数量高度不平衡而导致的检测精度较低的问题。致的检测精度较低的问题。致的检测精度较低的问题。

【技术实现步骤摘要】
一种两阶段的基于生成对抗网络的图像异常检测方法


[0001]本专利技术涉及计算机应用技术及人工智能领域，具体涉及一种两阶段的基于生成对抗网络的图像异常检测方法。

技术介绍

[0002]图像异常检测是一种从大量图片样本中识别出不正常或是非逻辑样本的技术，是目前机器学习的一大重要研究部分，在医疗服务、工业生产、视频处理等专业领域都有实际应用。
[0003]异常检测数据集的特点通常是正常数据占据绝大多数，异常数据量很少，两者处于高度不平衡的状态，且通常情况下，异常的种类无法完全确定。在这种数据集下，采用有监督学习对图像进行检测不能够达到较高的准确率，而无监督学习可以有效地克服这方面问题。例如，Ian J等人提出了生成对抗网络Generative Adverserial Network(简称GAN)这种无监督学习的网络架构，GAN是一种通过对抗过程来评估生成模型的无监督的深度学习框架，它主要基于两个网络在零和博弈框架下的竞争。GAN由两部分网络组成，分别被称为生成器和鉴别器。其中，生成器的目标是捕获数据分布，从原始数据中学习图像特征，并生成尽可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种两阶段的基于生成对抗网络的图像异常检测方法，其特征在于，包括以下步骤：步骤一：获取正常图像与异常图像，并将图像划分为训练集和测试集，所述训练集中只包含正常图像，所述测试集中包含正常图像和异常图像；步骤二：构建卷积神经网络与多尺度特征提取模块相结合的图像特征提取模块，通过图像特征提取模块获取训练集的图像特征和测试集的图像特征，多尺度特征提取模块为三条并行的多尺度卷积流；步骤三：使用skip
‑
GANomaly这种生成对抗网络作为模型，将其中的生成器UNet完整替换为Attention UNet中带有Attention Gate的生成器；步骤四：在训练阶段，将步骤二中训练集得到的图像特征输入到步骤三的生成器中，得到重建图像，再将重建图像和原始图像共同输入到鉴别器中，利用损失函数来训练生成器和鉴别器；步骤五：在测试阶段，将步骤二中测试集得到的图像特征输入到步骤三的生成器中，得到重建图像，再将重建图像和原始图像共同输入到鉴别器中，得到由每一张测试图像的异常分数所组成的异常分数向量，并将它们归一化到[0,1]范围内，以便于后续的比较；步骤六：利用步骤五所得到的异常分数的数值大小来区分正常图像和异常图像，从而实现图像异常检测。2.根据权利要求1所述的一种两阶段的基于生成对抗网络的图像异常检测方法，其特征在于，所述步骤二通过以下子步骤来实现：(1.1)利用卷积神经网络1，提取出输入图像的图像特征；(1.2)利用1x1大小的卷积核，对(1.1)输出的特征...

【专利技术属性】
技术研发人员：倪丹丹，许彩娥，干红华，
申请(专利权)人：许彩娥干红华，
类型：发明
国别省市：