[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

说明书

一种异常检测模型的训练方法及使用此方法的电子装置。异常检测模型包括生成网络模型及鉴别网络模型。异常检测模型的训练方法包括以下步骤。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。若训练样本的原始图像与训练样本的任务信息不匹配，则根据此些网络损失结果的倒数加权后相加得到第一损失函数，并依据第一损失函数训练生成网络模型。

技术领域

本发明涉及一种模型的训练方法，且特别涉及一种异常检测模型的训练方法及使用此方法的电子装置。

背景技术

在深度学习的浪潮下，图像的异常检测取得了快速的发展，其中常见的作法是基于自动编码器重建误差以进行异常检测。此类作法的优点在于只须使用正常训练样本来训练异常检测模型，而无须使用实务上不易取得的异常训练样本来训练异常检测模型。

然而，现行的异常检测模型通常只能用以执行单一异常检测任务。若要让单一异常检测模型可执行多重异常检测任务，只能在各检测任务所定义的异常特征与其他检测任务所定义的正常特征没有明显重叠的情况下方能实现。举例来说，若多重异常检测任务中的某一检测任务的异常特征刚好是另一检测任务的正常特征，便无法通过同一个异常检测模型执行上述的多重异常检测任务。于此情况下，只能针对上述的多重异常检测任务中的每一检测任务建立及训练对应的异常检测模型。如此一来，将会导致所须建立及训练对应的异常检测模型的数量太多，大大地增加多重异常检测的开发成本及开发复杂度。

发明内容

有鉴于此，本发明提供一种异常检测模型的训练方法及使用此方法的电子装置，可让训练后的单一异常检测模型可执行多重异常检测任务。

本发明的异常检测模型的训练方法用于电子装置，其中异常检测模型包括生成网络模型及鉴别网络模型。异常检测模型的训练方法包括以下步骤。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。若训练样本的原始图像与训练样本的任务信息不匹配，则根据此些网络损失结果倒数加权后相加得到第一损失函数，并依据第一损失函数训练生成网络模型。

本发明的电子装置包括存储器以及处理器。存储器用以存储多个原始图像及多个任务信息。处理器耦接存储器，用以运行异常检测模型，其中异常检测模型包括生成网络模型及鉴别网络模型。处理器用以执行以下步骤。将此些原始图像的其中一者及此些任务信息的其中一者作为训练样本。将训练样本输入至生成网络模型及鉴别网络模型以运算出对应于训练样本的多个网络损失结果。若训练样本的原始图像与训练样本的任务信息不匹配，则根据此些网络损失结果的倒数加权后相加得到第一损失函数，并依据第一损失函数训练生成网络模型。

基于上述，本发明所提出的异常检测模型的训练方法及使用此方法的电子装置，可将原始图像及任务信息作为异常检测模型的训练样本，致使异常检测模型根据训练样本产生多个网络损失结果。此外，若训练样本的原始图像与训练样本的任务信息不匹配，则根据此些网络损失结果的倒数加权后相加得到第一损失函数，并依据第一损失函数训练异常检测模型中的生成网络模型。如此一来，异常检测模型可根据任务信息与原始图像的各种排列组合进行学习，因此训练后的单一异常检测模型将可执行多重异常检测任务。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合说明书附图作详细说明如下。

附图说明

下面的说明书附图是本发明说明书的一部分，示出了本发明的示例实施例，说明书附图与说明书的描述一起说明本发明的原理。

图1是依照本发明一实施例所示出的电子装置的电路方框示意图。

图2是依照本发明一实施例所示出的异常检测模型的框架示意图。

图3是依照本发明一实施例所示出的异常检测模型的训练方法的步骤流程图。