CN111260620A - 图像异常检测方法、装置和电子设备 - Google Patents
图像异常检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111260620A CN111260620A CN202010036192.7A CN202010036192A CN111260620A CN 111260620 A CN111260620 A CN 111260620A CN 202010036192 A CN202010036192 A CN 202010036192A CN 111260620 A CN111260620 A CN 111260620A
- Authority
- CN
- China
- Prior art keywords
- image
- space vector
- potential space
- anomaly detection
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种图像异常检测方法、装置和电子设备,其中方法包括:确定待检测图像;将待检测图像输入至图像异常检测模型,得到图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,第一潜在空间向量和第二潜在空间向量分别为图像异常检测模型对待检测图像和第一重构图像进行降维得到的,第一重构图像是对第一潜在空间向量进行解码重构得到的;图像异常检测模型是基于正样本图像训练得到的;基于第一潜在空间向量和第二潜在空间向量,确定待检测图像的异常检测结果。本发明实施例提供的方法、装置和电子设备,实现了准确性高、通用性强的异常检测,可适用于不同规格的图像。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种图像异常检测方法、装置和电子设备。
背景技术
随着网络游戏的发展,许多人对于网络上的数字游戏越来越青睐,由于每个人都有不同的笔迹,相同的数字,不同的人会写出不同的模样,所以对于这种情况下,就需要准确的识别用户输入的数字是哪一个。
如果手写数字所对应的图像存在异常,则必然导致该图像以及相关数据不可用,直接影响数字识别的准确性。然而,当前尚未形成用于手写数字对应图像的通用异常检测方法。
发明内容
本发明实施例提供一种图像异常检测方法、装置和电子设备,用以解决现有的手写数字识别准确性低的问题。
第一方面,本发明实施例提供一种图像异常检测方法,包括:
确定待检测图像;
将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;
基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
优选地,所述图像异常检测模型包括依次连接的第一生成器和第二生成器;其中所述第一生成器包括第一编码层和第一解码层,所述第二生成器包括第二编码层和第二解码层。
优选地,所述将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量,具体包括:
将所述待检测图像输入至所述第一编码层,得到所述第一编码层输出的所述第一潜在空间向量;
将所述第一潜在空间向量输入至所述第一解码层,得到所述第一解码层输出的第一重构图像;
将所述第一重构图像输入至所述第二编码层,得到所述第二编码层输出的所述第二潜在空间向量;
将所述第二潜在空间向量输入至所述第二解码层,得到所述第二解码层输出的第二重构图像。
优选地,所述图像异常检测模型是基于正样本图像和所述正样本图像对应的第二重构图像,以及判决器训练得到的,所述图像异常检测模型和所述判决器构成生成对抗网络;
其中,所述判决器用于判断所述第二重构图像的真实性。
优选地,所述生成对抗网络的损失函数包括编码损失函数、重构损失函数和对抗损失函数中的至少一种;
其中,所述编码损失函数是基于所述第一编码层和所述第二编码层的输出确定的;
所述重构损失函数是基于所述正样本图像和所述正样本图像对应的第二重构图像确定的;
所述对抗损失函数是基于所述判决器针对于所述正样本图像的输出,以及所述判决器针对于所述正样本图像对应的第二重构图像的输出确定的。
优选地,所述编码损失函数Lenc表示为如下公式:
所述重构损失函数Lcon表示为如下公式:
式中,G2为所述第二生成器;
所述对抗损失函数Ladv表示为如下公式:
式中,f为所述判决器。
优选地,所述基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果,具体包括:
计算所述第一潜在空间向量和所述第二潜在空间向量之间的距离,作为所述待检测图像的异常分数;
基于所述异常分数以及预设分数阈值,确定所述异常检测结果。
优选地,所述待检测图像为包含有手写数字的图像;
所述异常检测结果表示所述待检测图像所包含的手写数字是否存在异常。
第二方面,本发明实施例提供一种图像异常检测装置,包括:
图像确定单元,用于确定待检测图像;
潜在向量确定单元,用于将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;
异常检测单元,用于基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
第三方面,本发明实施例提供一种电子设备,包括处理器、通信接口、存储器和总线,其中,处理器,通信接口,存储器通过总线完成相互间的通信,处理器可以调用存储器中的逻辑命令,以执行如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种图像异常检测方法、装置和电子设备,通过图像异常检测模型,得到待检测图像的第一潜在空间向量和第二潜在空间向量,以确定异常检测结果,实现了准确性高、通用性强的异常检测,可适用于不同规格的图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像异常检测方法的流程示意图;
图2为本发明实施例提供的生成对抗网络的结构示意图;
图3为本发明实施例提供的图像异常检测模型的训练流程示意图;
图4为本发明实施例提供的图像异常检测装置的结构示意图;
图5为本发明实施例提供的电子设备的结构示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,异常检测技术在医疗***、***消费、数据库中数据泄露、大型机器故障、网络入侵等领域的应用得到了广泛发展,使得异常检测研究成了深度学习领域中十分活跃且热门的研究方向之一。然而,异常检测可以归于分类的问题,分类得到问题本身具有线性和非线性问题,因此,发展至今,尚未形成一种通用的异常检测方法,如何找到并发展一种高效的异常检测方法逐渐成为了研究的热点。本发明实施例提供一种图像异常检测方法,可用于实现手写数字所对应图像的异常检测,从而辨别手写数字所对应图像是否为可用图像,还可以用于实现其余领域图像的异常检测,例如用于作为身份凭证的签名识别,以判断签名对应的图像是否存在异常。
图1为本发明实施例提供的图像异常检测方法的流程示意图,如图1所示,该方法包括:
步骤110,确定待检测图像。
此处,待检测图像即需要进行异常检测的图像,例如包含有一个或者多个手写数字的图像。
步骤120,将待检测图像输入至图像异常检测模型,得到图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,第一潜在空间向量和第二潜在空间向量分别为图像异常检测模型对待检测图像和第一重构图像进行降维得到的,第一重构图像是对第一潜在空间向量进行解码重构得到的;图像异常检测模型是基于正样本图像训练得到的。
具体地,图像异常检测模型用于将对输入的待检测图像进行编码降维,得到第一潜在空间向量并输出,在此基础上对第一潜在空间向量进行解码重构,得到第一重构图像,随即对第一重构图像进行编码降维,得到第二潜在空间向量并输出。
在执行步骤120之前,还可以预先训练得到图像异常检测模型,图像异常检测模型可以是基于正样本图像训练得到的,此处正样本图像即经过人工检测或者其余异常检测方法确定不存在异常的图像。通过正样本图像对图像异常检测模型进行训练,能够使得图像异常检测模型充分学习正样本图像的特征,缩小针对于不存在异常的图像输出的第一潜在空间向量和第二潜在空间向量之间的差距,扩大针对于异常图像输出的第一潜在空间向量和第二潜在空间向量之间的差距。
步骤130,基于第一潜在空间向量和第二潜在空间向量,确定待检测图像的异常检测结果。
具体地,第一潜在空间向量和第二潜在空间向量之间的差距,反映了待检测图像存在异常的概率,差距越大则待检测图像存在异常的概率越高。此处,异常检测结果可以是图像存在异常或不存在异常,也可以是存在异常的概率等,本发明实施例对此不做具体限定。
本发明实施例提供的方法,通过图像异常检测模型,得到待检测图像的第一潜在空间向量和第二潜在空间向量,以确定异常检测结果,实现了准确性高、通用性强的异常检测,可适用于不同规格的图像。
基于上述实施例,该方法中,图像异常检测模型包括依次连接的第一生成器和第二生成器;其中第一生成器包括第一编码层和第一解码层,第二生成器包括第二编码层和第二解码层。
具体地,图像异常检测模型包括两个生成器,即第一生成器和第二生成器,每一生成器均对输入的图像进行编码,得到对应的潜在空间向量,并在此基础上对潜在空间向量进行解码重构,得到对应的重构图像。
进一步地,步骤120具体包括:
将待检测图像输入至第一编码层,得到第一编码层输出的第一潜在空间向量;将第一潜在空间向量输入至第一解码层,得到第一解码层输出的第一重构图像;将第一重构图像输入至第二编码层,得到第二编码层输出的第二潜在空间向量;将第二潜在空间向量输入至第二解码层,得到第二解码层输出的第二重构图像。
针对于第一生成器,第一编码层用于对待检测图像x进行编码降维,得到第一潜在空间向量z;第一解码层用于对第一潜在空间向量z进行解码重构,得到第一重构图像x1。
进一步地,在第一编码层和第二编码层中,可以通过卷积层、批量归一化、leakyReLU()激活函数最后实现降维,获得潜在空间向量;在第一解码层和第二解码层中,可以通过反卷积层、批量归一化层、ReLU()激活函数、反卷积层、Tanh()激活函数,实现图像重构。
基于上述任一实施例,该方法中,图像异常检测模型是基于正样本图像和正样本图像对应的第二重构图像,以及判决器训练得到的,图像异常检测模型和判决器构成生成对抗网络;其中,判决器用于判断第二重构图像的真实性。
具体地,生成对抗网络(Generative Adversarial Networks,GAN)是一种无监督的机器学习算法,框架中包含一对相互对抗的模型:判决器和生成器。判决器的目的是正确区分真实数据和生成数据;生成器则是生成数据并让这些数据尽可能逼近真实数据。两者不断地对抗学习最终找到两者之间的纳什均衡。本发明实施例中,图像异常检测模型相当于生成器,基于待检测图像生成待检测图像所对应的第二重构图像,判决器则用于判断第二重构图像的真实性。由此得到生成对抗网络如图2所示,其中判决器不仅可以判别第二重构图像的真实性,还可以判别样本图像的真实性。
进一步地,此处判决器可以是标准DCGAN中的判决器,使用sigmoid算法进行最终的分类。
本发明实施例提供的方法,通过生成对抗网络实现图像异常检测模型的优化,能够提高图像异常检测模型输出的准确性,从而提高图像异常检测的准确性。
基于上述任一实施例,该方法中,生成对抗网络的损失函数包括编码损失函数、重构损失函数和对抗损失函数中的至少一种;其中,编码损失函数是基于第一编码层和第二编码层的输出确定的;重构损失函数是基于正样本图像和正样本图像对应的第二重构图像确定的;对抗损失函数是基于判决器针对于正样本图像的输出,以及判决器针对于正样本图像对应的第二重构图像的输出确定的。
具体地,编码损失函数用于衡量第一编码层输出的第一潜在空间向量和第二编码层输出的第二潜在空间向量之间的距离,利用正样本图像所对应的第一潜在空间向量和第二潜在空间向量之间的距离约束图像异常检测模型使其不断优化。
作为优选,编码损失函数Lenc可以表示为如下公式:
式中,为期望值,x为正样本图像,G1为第一生成器,为第一编码层,为第二编码层;即第一编码层输出的正样本图像所对应的第一潜在空间向量,G1(x)即第一生成器输出的正样本图像所对应的第一重构图像,即第二编码层输出的正样本图像所对应的第二潜在空间向量。
重构损失函数用于衡量真实图像与经由图像异常检测模型输出的第二重构图像之间的距离,利用正样本图像以及第二重构图像之间的距离约束图像异常检测模型使其不断优化。
作为优选,重构损失函数Lcon可以表示为如下公式:
对抗损失函数用于衡量判决器针对于真实图像以及第二重构图像分别对应的输出之间的距离,距离越小,则说明图像异常检测模型输出的第二重构图像越接近于真实图像。
作为优选,对抗损失函数Ladv可以表示为如下公式:
基于上述任一实施例,若生成对抗网络的损失函数同时包括编码损失函数、重构损失函数和对抗损失函数,则生成对抗网络的损失函数L可以表示为如下形式:
L=aLadv+bLcon+cLenc
式中,a、b和c分别对应为对抗损失函数Ladv、重构损失函数Lcon以及编码损失函数Lenc的权重,例如a=1,b=1,c=30。
基于上述任一实施例,步骤130具体包括:计算第一潜在空间向量和第二潜在空间向量之间的距离,作为待检测图像的异常分数;基于异常分数以及预设分数阈值,确定异常检测结果。
具体地,异常分数d可以通过如下公式计算得到:
预设分数阈值即预先设定的图像存在异常时的异常分数最小值,若异常分数大于预设分数阈值,则确定异常检测结果为存在异常,否则确定异常检测结果为不存在异常。
此后,将归一化后的异常分数于预设分数与之进行比较,从而确定每一样本的异常检测结果。
基于上述任一实施例,待检测图像为包含有手写数字的图像;异常检测结果表示待检测图像所包含的手写数字是否存在异常。
图3为本发明实施例提供的图像异常检测模型的训练流程示意图,如图3所示,图像异常检测模型训练阶段,使用一个数据量较大并且只包含正常图像的数据集M作为图像异常检测模型的训练集,其中M={m1,m2,…mi},使用一个相对较小的数据集N作为测试集,N包含正常图像和异常图像,其中,N={(n1,b1),(n2,b2),…(nj,bj)},bj∈(0,1)是样本标签并且i>>j。在训练时,首先设置网络参数,其中包括图像大小,以及进入卷积网络前图像色彩通道数等,随即使用正常数据M训练包含图像异常检测模型在内的生成对抗网络,目的是使得图像异常检测模型能够学习到正常样本的数据分布。然后再用图像异常检测模型去检测数据集N中的异常图像。在判定图像是否异常时,可以通过图像异常检测模型中的两个编码层,分别确定样本图像x和样本图像对应的第一重构图像x1映射得到的潜在空间向量z和计算出两者之间的距离作为该样本的异常分数d,利用预设分数阈值作为异常样本判定的标准,若则确定该样本是为异常样本。最后重建出第二重建图像x2,将x2输入到判决器中训练判决器。
为了验证上述实施例中的图像异常检测方法的有效性,利用CIFAR10数据集进行实验,该数据集中包含10个种类,随机选择一类的出现作为异常事件,其余9类的出现作为正常事件。把数据集分成两部分,第一部分占整个数据集的80%,第二部分占整个数据集的20%,其中第一部分作为训练集,由正常数据组成,第二部分作为测试集,由正常数据和异常数据组成。
经由实验,本发明实施例提供的图像异常检测方法,相比于其他的异常检测的方法有着很明显的优势,例如与GANomaly异常检测方法和AnoGAN的异常检测EGBAD异常检测方法的部分指标相比,有很明显的性能提升。
基于上述任一实施例,图4为本发明实施例提供的图像异常检测装置的结构示意图,如图4所示,该装置包括:
图像确定单元410,用于确定待检测图像;
潜在向量确定单元420,用于将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;
异常检测单元430,用于基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
本发明实施例提供的装置,通过图像异常检测模型,得到待检测图像的第一潜在空间向量和第二潜在空间向量,以确定异常检测结果,实现了准确性高、通用性强的异常检测,可适用于不同规格的图像。
基于上述任一实施例,所述图像异常检测模型包括依次连接的第一生成器和第二生成器;其中所述第一生成器包括第一编码层和第一解码层,所述第二生成器包括第二编码层和第二解码层。
基于上述任一实施例,潜在向量确定单元420具体用于:
将所述待检测图像输入至所述第一编码层,得到所述第一编码层输出的所述第一潜在空间向量;
将所述第一潜在空间向量输入至所述第一解码层,得到所述第一解码层输出的第一重构图像;
将所述第一重构图像输入至所述第二编码层,得到所述第二编码层输出的所述第二潜在空间向量;
将所述第二潜在空间向量输入至所述第二解码层,得到所述第二解码层输出的第二重构图像。
基于上述任一实施例,所述图像异常检测模型是基于正样本图像和所述正样本图像对应的第二重构图像,以及判决器训练得到的,所述图像异常检测模型和所述判决器构成生成对抗网络;
其中,所述判决器用于判断所述第二重构图像的真实性。
基于上述任一实施例,所述生成对抗网络的损失函数包括编码损失函数、重构损失函数和对抗损失函数中的至少一种;
其中,所述编码损失函数是基于所述第一编码层和所述第二编码层的输出确定的;
所述重构损失函数是基于所述正样本图像和所述正样本图像对应的第二重构图像确定的;
所述对抗损失函数是基于所述判决器针对于所述正样本图像的输出,以及所述判决器针对于所述正样本图像对应的第二重构图像的输出确定的。
基于上述任一实施例,所述编码损失函数Lenc表示为如下公式:
所述重构损失函数Lcon表示为如下公式:
式中,G2为所述第二生成器;
所述对抗损失函数Ladv表示为如下公式:
式中,f为所述判决器。
基于上述任一实施例,异常检测单元430具体用于:
计算所述第一潜在空间向量和所述第二潜在空间向量之间的距离,作为所述待检测图像的异常分数;
基于所述异常分数以及预设分数阈值,确定所述异常检测结果。
基于上述任一实施例,所述待检测图像为包含有手写数字的图像;
所述异常检测结果表示所述待检测图像所包含的手写数字是否存在异常。
图5为本发明实施例提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑命令,以执行如下方法:确定待检测图像;将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
此外,上述的存储器530中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:确定待检测图像;将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干命令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图像异常检测方法,其特征在于,包括:
确定待检测图像;
将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;
基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
2.根据权利要求1所述的图像异常检测方法,其特征在于,所述图像异常检测模型包括依次连接的第一生成器和第二生成器;其中所述第一生成器包括第一编码层和第一解码层,所述第二生成器包括第二编码层和第二解码层。
3.根据权利要求2所述的图像异常检测方法,其特征在于,所述将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量,具体包括:
将所述待检测图像输入至所述第一编码层,得到所述第一编码层输出的所述第一潜在空间向量;
将所述第一潜在空间向量输入至所述第一解码层,得到所述第一解码层输出的第一重构图像;
将所述第一重构图像输入至所述第二编码层,得到所述第二编码层输出的所述第二潜在空间向量;
将所述第二潜在空间向量输入至所述第二解码层,得到所述第二解码层输出的第二重构图像。
4.根据权利要求3所述的图像异常检测方法,其特征在于,所述图像异常检测模型是基于正样本图像和所述正样本图像对应的第二重构图像,以及判决器训练得到的,所述图像异常检测模型和所述判决器构成生成对抗网络;
其中,所述判决器用于判断所述第二重构图像的真实性。
5.根据权利要求4所述的图像异常检测方法,其特征在于,所述生成对抗网络的损失函数包括编码损失函数、重构损失函数和对抗损失函数中的至少一种;
其中,所述编码损失函数是基于所述第一编码层和所述第二编码层的输出确定的;
所述重构损失函数是基于所述正样本图像和所述正样本图像对应的第二重构图像确定的;
所述对抗损失函数是基于所述判决器针对于所述正样本图像的输出,以及所述判决器针对于所述正样本图像对应的第二重构图像的输出确定的。
7.根据权利要求1至6中任一项所述的图像异常检测方法,其特征在于,所述基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果,具体包括:
计算所述第一潜在空间向量和所述第二潜在空间向量之间的距离,作为所述待检测图像的异常分数;
基于所述异常分数以及预设分数阈值,确定所述异常检测结果。
8.根据权利要求1至6中任一项所述的图像异常检测方法,其特征在于,所述待检测图像为包含有手写数字的图像;
所述异常检测结果表示所述待检测图像所包含的手写数字是否存在异常。
9.一种图像异常检测装置,其特征在于,包括:
图像确定单元,用于确定待检测图像;
潜在向量确定单元,用于将所述待检测图像输入至图像异常检测模型,得到所述图像异常检测模型输出的第一潜在空间向量和第二潜在空间向量;其中,所述第一潜在空间向量和所述第二潜在空间向量分别为所述图像异常检测模型对所述待检测图像和第一重构图像进行降维得到的,所述第一重构图像是对所述第一潜在空间向量进行解码重构得到的;所述图像异常检测模型是基于正样本图像训练得到的;
异常检测单元,用于基于所述第一潜在空间向量和所述第二潜在空间向量,确定所述待检测图像的异常检测结果。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8中任一项所述的图像异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036192.7A CN111260620B (zh) | 2020-01-14 | 2020-01-14 | 图像异常检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036192.7A CN111260620B (zh) | 2020-01-14 | 2020-01-14 | 图像异常检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260620A true CN111260620A (zh) | 2020-06-09 |
CN111260620B CN111260620B (zh) | 2023-08-18 |
Family
ID=70952323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036192.7A Active CN111260620B (zh) | 2020-01-14 | 2020-01-14 | 图像异常检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260620B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150447A (zh) * | 2020-09-27 | 2020-12-29 | 北京嘀嘀无限科技发展有限公司 | 基于位置服务的异常数据确定方法、装置和电子设备 |
CN112565763A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 异常图像样本生成方法及装置、图像检测方法及装置 |
CN112597864A (zh) * | 2020-12-16 | 2021-04-02 | 佳都新太科技股份有限公司 | 一种监控视频异常检测方法及装置 |
CN113095257A (zh) * | 2021-04-20 | 2021-07-09 | 上海商汤智能科技有限公司 | 异常行为检测方法、装置、设备及存储介质 |
CN113255738A (zh) * | 2021-05-06 | 2021-08-13 | 武汉象点科技有限公司 | 一种基于自注意力生成对抗网络的异常图像检测方法 |
JP2022012465A (ja) * | 2020-07-01 | 2022-01-17 | 株式会社東芝 | 学習装置、方法、プログラムおよび推論装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
CN109064389A (zh) * | 2018-08-01 | 2018-12-21 | 福州大学 | 一种手绘线条画生成现实感图像的深度学习方法 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技(北京)有限公司 | 一种基于gan的图像检测方法及装置 |
CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
CN110335193A (zh) * | 2019-06-14 | 2019-10-15 | 大连理工大学 | 一种基于生成对抗网络的目标域导向的无监督图像转换方法 |
KR102034248B1 (ko) * | 2019-04-19 | 2019-10-18 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
WO2019221654A1 (en) * | 2018-05-17 | 2019-11-21 | Tobii Ab | Autoencoding generative adversarial network for augmenting training data usable to train predictive models |
-
2020
- 2020-01-14 CN CN202010036192.7A patent/CN111260620B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2017101166A4 (en) * | 2017-08-25 | 2017-11-02 | Lai, Haodong MR | A Method For Real-Time Image Style Transfer Based On Conditional Generative Adversarial Networks |
CN108537743A (zh) * | 2018-03-13 | 2018-09-14 | 杭州电子科技大学 | 一种基于生成对抗网络的面部图像增强方法 |
CN108805015A (zh) * | 2018-04-26 | 2018-11-13 | 常州大学 | 加权卷积自编码长短期记忆网络人群异常检测方法 |
US20190333219A1 (en) * | 2018-04-26 | 2019-10-31 | Elekta, Inc. | Cone-beam ct image enhancement using generative adversarial networks |
WO2019221654A1 (en) * | 2018-05-17 | 2019-11-21 | Tobii Ab | Autoencoding generative adversarial network for augmenting training data usable to train predictive models |
CN109064389A (zh) * | 2018-08-01 | 2018-12-21 | 福州大学 | 一种手绘线条画生成现实感图像的深度学习方法 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109685097A (zh) * | 2018-11-08 | 2019-04-26 | 银河水滴科技(北京)有限公司 | 一种基于gan的图像检测方法及装置 |
CN109584221A (zh) * | 2018-11-16 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于监督式生成对抗网络的异常图像检测方法 |
KR102034248B1 (ko) * | 2019-04-19 | 2019-10-18 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
CN110335193A (zh) * | 2019-06-14 | 2019-10-15 | 大连理工大学 | 一种基于生成对抗网络的目标域导向的无监督图像转换方法 |
CN110309889A (zh) * | 2019-07-04 | 2019-10-08 | 西南大学 | 一种双判别器gan的古彝文字符修复方法 |
Non-Patent Citations (6)
Title |
---|
EMILY DENTON ET AL.: "Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks", 《ARXIV》, pages 1 - 5 * |
SAMET AKCAY ET AL.: "GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training", 《ACCV 2018》 * |
SAMET AKCAY ET AL.: "GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training", 《ARXIV》, pages 1 - 4 * |
THARINDU KUMARAGE ET AL.: "Generative Adversarial Networks (GAN) based Anomaly Detection in Industrial Software Systems", 《IEEE》 * |
李天成;何嘉;: "一种基于生成对抗网络的图像修复算法", 计算机应用与软件, no. 12 * |
金炜东;杨沛;唐鹏;: "双判别器生成对抗网络及其在接触网鸟巢检测与半监督学习中的应用", 中国科学:信息科学, no. 07 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022012465A (ja) * | 2020-07-01 | 2022-01-17 | 株式会社東芝 | 学習装置、方法、プログラムおよび推論装置 |
JP7419178B2 (ja) | 2020-07-01 | 2024-01-22 | 株式会社東芝 | 学習装置、方法およびプログラム |
CN112150447A (zh) * | 2020-09-27 | 2020-12-29 | 北京嘀嘀无限科技发展有限公司 | 基于位置服务的异常数据确定方法、装置和电子设备 |
CN112150447B (zh) * | 2020-09-27 | 2021-10-15 | 北京嘀嘀无限科技发展有限公司 | 基于位置服务的异常数据确定方法、装置和电子设备 |
CN112565763A (zh) * | 2020-11-30 | 2021-03-26 | 北京达佳互联信息技术有限公司 | 异常图像样本生成方法及装置、图像检测方法及装置 |
CN112597864A (zh) * | 2020-12-16 | 2021-04-02 | 佳都新太科技股份有限公司 | 一种监控视频异常检测方法及装置 |
CN113095257A (zh) * | 2021-04-20 | 2021-07-09 | 上海商汤智能科技有限公司 | 异常行为检测方法、装置、设备及存储介质 |
CN113255738A (zh) * | 2021-05-06 | 2021-08-13 | 武汉象点科技有限公司 | 一种基于自注意力生成对抗网络的异常图像检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111260620B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260620B (zh) | 图像异常检测方法、装置和电子设备 | |
CN108737406B (zh) | 一种异常流量数据的检测方法及*** | |
CN113554089B (zh) | 一种图像分类对抗样本防御方法、***及数据处理终端 | |
US20210117733A1 (en) | Pattern recognition apparatus, pattern recognition method, and computer-readable recording medium | |
CN109101817B (zh) | 一种识别恶意文件类别的方法及计算设备 | |
CN109190470B (zh) | 行人重识别方法及装置 | |
CN104538035B (zh) | 一种基于Fisher超向量的说话人识别方法及*** | |
US11348364B2 (en) | Method and system for neural fingerprint enhancement for fingerprint recognition | |
CN113408558B (zh) | 用于模型验证的方法、装置、设备和介质 | |
CN114187483A (zh) | 生成对抗样本的方法、检测器的训练方法及相关设备 | |
CN113808044B (zh) | 加密掩膜确定方法、装置、设备以及存储介质 | |
CN112101087B (zh) | 一种面部图像身份去识别方法、装置及电子设备 | |
CN111353514A (zh) | 模型训练方法、图像识别方法、装置及终端设备 | |
WO2021042544A1 (zh) | 基于去网纹模型的人脸验证方法、装置、计算机设备及存储介质 | |
Lounici et al. | Yes we can: watermarking machine learning models beyond classification | |
CN114358278A (zh) | 神经网络模型的训练方法及装置 | |
CN114140670A (zh) | 基于外源特征进行模型所有权验证的方法和装置 | |
US11972604B2 (en) | Image feature visualization method, image feature visualization apparatus, and electronic device | |
CN112818774A (zh) | 一种活体检测方法及装置 | |
CN112766430B (zh) | 基于黑盒通用人脸检测对抗攻击的方法、装置及存储介质 | |
Wu et al. | Occlusion pattern-based dictionary for robust face recognition | |
CN113409407A (zh) | 一种基于平均压缩获取低频信息的对抗样本防御方法 | |
Shuai et al. | Face recognition method of mask occlusion | |
Mukherjee et al. | Non-negative sparse coding with regularizer for image classification | |
CN117745626A (zh) | 对抗样本检测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |