【技术实现步骤摘要】
一种应用于图像处理的自编码器及其训练方法、检测系统
[0001]本专利技术涉及机器学习领域，具体来说，涉及机器学习领域中的异常图像检测技术，更具体地说，涉及采用自编码器进行图像异常检测的技术，即一种应用于图像处理的自编码器及其训练方法、检测系统。
技术介绍
[0002]近年来，随着人工智能、深度学习、机器学习等基于数据驱动技术的快速发展，数据的安全性问题逐渐引起了研究人员的关注，其中，由于图像数据贯穿于无人驾驶、面部识别以及视频监控等多个方面，图像数据的安全性问题被研究人员重点关注。
[0003]为了保证图像数据的安全性，有研究人员提出可以对图像数据进行异常检测以区分正常图像数据和异常图像数据/未知图像数据。异常检测属于二元分类任务，其用于对待测样本作出异常或正常的判定，包括有监督异常检测的方法和无监督异常检测的方法。其中，有监督异常检测的方法采用带标签的图像数据集(a
i
表示第i个图像样本，ω
i
表示图像样本a
i
对应的标签，ω
i
为
...
【技术保护点】
【技术特征摘要】
1.一种应用于图像处理的自编码器，所述自编码器包括编码模块和解码模块，其特征在于，所述自编码器还包括存储模块，其中：所述编码模块用于对输入图像进行编码以获得输入图像的特征并传递给存储模块；所述存储模块用于存储多个已知正常图像类别的特征，以及基于其存储的特征与所述输入图像的特征作比对，以获取与所述输入图像的特征相似的正常图像类别的特征并传递给解码模块；所述解码模块用于对所述存储模块传递的特征进行解码以获得所述输入图像的重构图像，并输出所述重构图像与输入图像的差异度。2.根据权利要求1所述的自编码器，其特征在于，所述存储模块包括一个或多个串行连接的存储子模块，所述每个存储子模块均存储有多个已知正常图像类别的特征，且所述每个存储子模块被配置为：基于其存储的多个已知正常图像类别的特征与输入其的图像特征进行对比，以获得一个或多个与输入其的图像特征相似的正常图像类别的特征；对获取到的多个与输入其的图像特征相似的正常图像类别的特征进行融合输出；其中，输入第一个存储子模块的图像特征是来自于所述编码模块的输出；输入其他存储子模块的图像特征来自于其前一个存储子模块的输出，以最后一个存储子模块的输出传递给所述解码模块。3.根据权利要求2所述的自编码器，其特征在于，所述每个存储子模块包括记忆矩阵单元、随机遗忘门控单元、相似度计算单元、可配置稀疏化管线单元和寻址单元，其中：所述记忆矩阵单元用于存储多个已知正常图像类别的特征；所述随机遗忘门控单元用于随机掩盖所述记忆矩阵单元所存储的一个或多个正常图像类别的特征；所述相似度计算单元用于计算输入图像特征与未被所述随机遗忘门控掩盖的所述记忆矩阵单元所存储的正常图像类别的特征之间的相似度；所述可配置稀疏化管线单元用于按照预设的规则从所述相似度计算单元得到的相似度中筛选满足条件的相似度，并将获取到的相似度进行归一化处理后传递给所述寻址单元；所述寻址单元用于基于所述可配置稀疏化管线单元处理后的相似度从所述记忆矩阵单元存储的正常图像类别的特征中选择与相似度对应的一个或多个特征，并将得到的多个特征融合为一个特征后输出。4.根据权利要求3所述的自编码器，其特征在于，所述相似度计算单元被配置为采用余弦距离、欧氏距离或曼哈顿距离计算相似度。5.根据权利要求3所述的自编码器，其特征在于，所述预设的规则为：按照从大到小的顺序选取预设个数的相似度，并从其中选择大于或等于预设阈值的相似度。6.根据权利要求5所述的自编码器，其特征在于，所述预设个数为10。7.根据权利要求6所述的自编码器，其特征在于，所述预设阈值为0.8。8.根据权利要求2所述的自编码器，其特征在于，所述存储模块包括多个存储子模块时，所述存储子模块之间设置有连接单元，其用于对前一个存储子模块输出的图像特...
【专利技术属性】
技术研发人员：陈益强，李嘉豪，邢云冰，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：
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。