[发明专利]一种基于监督式生成对抗网络的异常图像检测方法

权利要求书

1.一种基于监督式生成对抗网络的异常图像检测方法，其特征在于，该方法包括以下步骤：

1)获取待检测图片；

2)将所述待检测图片输入一训练好的Supervised GANomaly模型，获得对应的异常类别信任值；

3)判断所述异常类别信任值是否大于一异常类别判别阈值，若是，则判定为异常图像，若否，则判定为正常图像；

所述Supervised GANomaly模型包括生成网络、编码网络、判别网络和分类网络，在训练时，所述生成网络、编码网络和判别网络用于学习正常样本的特征分布，分类网络用于区分正常样本和异常样本；在应用时，由分类网络输出异常类别信任值。

2.根据权利要求1所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述Supervised GANomaly模型的训练过程如下：

101)获取图像数据，包括正常样本队列和异常样本队列；

102)设定训练参数；

103)以在线随机过采样方法从所述图像数据中获得每次迭代需要使用的训练样本，对所述训练样本进行预处理后，作为Supervised GANomaly模型的输入；

104)采用随机梯度下降法交替优化判别网络、生成网络和分类网络，更新各部分网络权值，直至迭代结束；

105)计算获得异常类别判别阈值。

3.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述训练参数包括最小批次值N_batch、最大迭代次数M、卷积和反卷积网络的层数以及每层网络的特征图数量。

4.根据权利要求3所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述在线随机过采样方法具体为：

每轮迭代开始前先随机打乱所述正常样本队列和异常样本队列，生成一个[0.25，0.5]之间的随机数R，取异常样本队列中的前张图片作为该轮迭代的异常样本，取正常样本队列中的前张图片作为该轮迭代的正常样本，所述异常样本和正常样本组成该轮迭代的训练样本。

5.根据权利要求2所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述预处理包括图片尺寸归一化和像素值归一化。

6.根据权利要求5所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，所述像素值归一化具体为：

将图片RGB三通道上的像素值减去训练样本集上所有图片的RGB均值，然后再将所有通道上的像素值归一化成[0，1]之间。

7.根据权利要求4所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，采用所述随机梯度下降法进行优化时，将编码网络作为生成网络的一个子模块参与优化。

8.根据权利要求7所述的基于监督式生成对抗网络的异常图像检测方法，其特征在于，采用所述随机梯度下降法进行优化时，基于判别网络的对抗损失函数L_adv、生成网络的重建损失函数L_rec以及分类网络的分类损失函数L_cls更新各部分网络权值，其中，

对抗损失函数L_adv表示为：

重建损失函数L_rec表示为：

分类损失函数L_cls表示为：

其中，G表示生成网络，E表示编码网络，D表示判别网络，C表示分类网络，x表示原始图像，y表示对应标签，表示训练样本集，表示训练标签集，G_E表示从原始图像到原始图特征部分的网络，α、β、γ表示损失权值，w表示样本代价敏感权值，w∈{w_ok，w_ng}，w_ok表示正常样本的代价敏感权值，w_ng表示异常样本的代价敏感权值。