[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

说明书

本发明涉及一种基于监督式生成对抗网络的异常图像检测方法，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，其中，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。与现有技术相比，本发明具有能够有效地将正常样本和异常样本区分开、鲁棒性好等优点。

技术领域

本发明涉及异常图像检测技术领域，具体是涉及一种基于监督式生成对抗网络的异常图像检测方法。

背景技术

随着人工智能方法的不断发展和普及，自动化检测技术受到了越来越广泛的关注。异常图像检测，作为自动化检测的一个重要分支，在工业质检、医学诊断、自动驾驶、安防等领域发挥了越来越重要的作用。

异常图像检测的方法大致可以分为三类，监督式方法、半监督式方法和无监督式方法。

监督式异常检测方法类似机器学习中的分类方法，但是异常检测问题中，正常样本通常比较多，而异常样本通常非常少，类别不平衡问题严重，因而一般机器学习中的分类方法通常无法很好地应用于异常检测问题。半监督式异常检测方法中，只有少量样本被标注过，绝大部分样本是未标注的，因而需要通过建立标注样本和未标注样本间的联系，来学习异常检测模型。无监督式异常检测方法，基于异常检测问题中绝大多数样本都是正常的这个假设，不添加任何额外标注，直接利用这些正常样本来学习正常样本的模型，再通过这个模型来预测新的样本是否有异常。

这三类方法中，无监督式学习方法在过去十几年里得到了最广泛的研究和应用，其中代表性的方法主要包括单类支持向量机(One-Class SVM，简称OC-SVM)和自编码器(Autoencoder，简称AE)两种。近两年，研究者们又将目光转向了新兴的生成对抗网络(Generative Adversarial Network，简称GAN)方法上。GANomaly(arXiv preprint 2018)是基于生成对抗网络的异常检测方法中比较新颖并且效果很好的一种方法，它在自编码器生成模型中增加了对抗学习的策略，能使生成的图像更为真实，并且不同于一般基于自编码器的异常检测方法，GANomaly提出了一种新的通过对比原图和重建图在抽象编码空间中的特征的差异来推断异常的方法，而这额外的抽象建模可以大大提高其抗噪声干扰的能力，从而学到更加鲁棒的异常检测模型。尽管如此，该方法还存在如下缺陷：

第一，异常检测中通常存在一些正常样本和异常样本，GANomaly方法是基于正常样本设计的异常检测模型，因而无法利用异常样本信息。

第二，GANomaly根据编码空间的特征差异来判断异常，只能保证检测出外观和正常样本差异比较大的异常样本，但是对于那些外观和正常样本差异比较小的异常样本来说，非常困难。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于监督式生成对抗网络的异常图像检测方法，解决现有基于生成对抗网络方法无法利用监督信息以及无法检测外观和正常样本差异比较小的异常样本的问题。

本发明的目的可以通过以下技术方案来实现：

一种基于监督式生成对抗网络的异常图像检测方法，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；