[发明专利]异常检测模型的训练方法及使用此方法的电子装置

权利要求书

1.一种异常检测模型的训练方法，用于一电子装置，其特征在于，该异常检测模型包括一生成网络模型及一鉴别网络模型，且该训练方法包括：

将多个原始图像的其中一者及多个任务信息的其中一者作为一训练样本；

将该训练样本输入至该生成网络模型及该鉴别网络模型以运算出对应于该训练样本的多个网络损失结果；以及

若该训练样本的原始图像与该训练样本的任务信息不匹配，则根据所述多个网络损失结果的倒数加权后相加得到一第一损失函数，并依据该第一损失函数训练该生成网络模型。

2.如权利要求1所述的异常检测模型的训练方法，其特征在于，还包括若该训练样本的原始图像与该训练样本的任务信息相匹配，则根据所述多个网络损失结果计算一第二损失函数，并依据该第二损失函数训练该生成网络模型。

3.如权利要求1所述的异常检测模型的训练方法，其特征在于，将所述多个原始图像的其中一者及所述多个任务信息的其中一者作为该训练样本的步骤包括：

对该任务信息进行编码以得到一任务编码；以及

将该原始图像及该任务编码作为该训练样本。

4.如权利要求1所述的异常检测模型的训练方法，其特征在于，还包括：

将一训练画面划分为所述多个原始图像；以及

将所述多个原始图像位于该训练画面的位置信息作为所述多个任务信息。

5.如权利要求1所述的异常检测模型的训练方法，其特征在于，将该训练样本输入至该生成网络模型及该鉴别网络模型以运算出对应于该训练样本的所述多个网络损失结果的步骤包括：

将该训练样本的该原始图像输入该生成网络模型以运算出一第一潜在向量；

将该训练样本的该任务信息与该第一潜在向量合并以得到一合并后潜在向量；

将该合并后潜在向量通过该生成网络模型运算出一重建图像及一第二潜在向量；

将该原始图像及该重建图像输入该鉴别网络模型以分别运算出一第一特征向量及一第二特征向量；以及

根据该第一潜在向量、该第二潜在向量、该原始图像、该重建图像、该第一特征向量及该第二特征向量计算所述多个网络损失结果。

6.如权利要求5所述的异常检测模型的训练方法，其特征在于，还包括：

将该训练样本的该任务信息与该第一特征向量或该第二特征向量合并，以得到一合并后特征向量；以及

将该合并后特征向量通过该鉴别网络模型进行运算以得到一鉴别结果，并依据该鉴别结果训练该鉴别网络模型。

7.一种电子装置，其特征在于，包括：

一存储器，用以存储多个原始图像及多个任务信息；以及

一处理器，耦接该存储器，用以运行一异常检测模型，其中该异常检测模型包括一生成网络模型及一鉴别网络模型，该处理器用以执行以下步骤：

将所述多个原始图像的其中一者及所述多个任务信息的其中一者作为一训练样本；

将该训练样本输入至该生成网络模型及该鉴别网络模型以运算出对应于该训练样本的多个网络损失结果；以及

若该训练样本的原始图像与该训练样本的任务信息不匹配，则根据所述多个网络损失结果倒数加权后相加得到一第一损失函数，并依据该第一损失函数训练该生成网络模型。

8.如权利要求7所述的电子装置，其特征在于，该处理器更用以执行以下步骤：若该训练样本的原始图像与该训练样本的任务信息相匹配，则根据所述多个网络损失结果计算一第二损失函数，并依据该第二损失函数训练该生成网络模型。

9.如权利要求7所述的电子装置，其特征在于，该处理器对该任务信息进行编码以得到一任务编码，并将该原始图像及该任务编码作为该训练样本。

10.如权利要求7所述的电子装置，其特征在于，该处理器将一训练画面划分为所述多个原始图像，将所述多个原始图像位于该训练画面的位置信息作为所述多个任务信息，并将所述多个原始图像及所述多个任务信息存储在该存储器。