[发明专利]基于生成对抗网络不确定性注意力增强分布外图像检测法

说明书

本发明提供一种基于生成对抗网络不确定性注意力增强分布外图像检测法，该方法引入了生成对抗网络，使得分类器的分类结果更加可靠，并且考虑了判别器的不确定性，并且利用不确定性对特征进行加权，使分类器更加关注分布内样本不同于分布外样本的区域，忽略掉两种数据容易混淆的区域，极大地提升了softmax最大分类概率值在分布外样本检测任务中的有效性，以及其在两类数据中的区分性。对于分布外样本，利用不确定性计算出的特征注意力图会让分类器关注更加错误的区域，导致更低的自信分数，进而提升检测效果；本方法不会使用判别器作为分布外样本的检测手段，对于边缘样本不容易产生误判，可以得到更好的检测效果。

技术领域

本发明涉及分布外样本检测领域，更具体地，涉及一种基于生成对抗网络不确定性注意力增强分布外图像检测法。

背景技术

分布外数据是与训练所用的分布内样本有很明显不同的数据，将分布外数据检测出来的方法叫做分布外样本检测或者离群点检测方法。与异常检测任务相比，分布外检测通常应用于有标签数据，即考虑数据集的分布内样本的可识别分类特征。与无监督异常检测方法相比，该任务中的分布外数据覆盖范围大，无法将其视作同一类别。

许多深度学习的模型只有在测试数据和训练数据相似的情况下才能获得成功，在遇到与训练数据分布不同的样本时，该模型往往表现得不好，这与真实世界的情况相距甚远。更糟糕的时，模型会给出一个看似自信但是错误的预测，这可能会导致一些严重的不良后果。所以现实生活中的一些包含大型数据集的应用领域需要我们对分布外检测给予更多的研究关注。比如自动驾驶中的汽车控制问题，在遇到一个没见过的障碍物时需要汽车能够做出安全的反应而不是盲目地做出错误判断；医疗领域中检测CT照片中的质量结构和其他诊断问题；法律领域中识别出合同的漏洞以避免严重损失；大型建筑的结构检测以及潜在的危险判断；复杂工业系统中的故障和故障检测；电子安全系统中的入侵，如信用卡或手机欺诈检测。现代人类社会中的复杂应用场景导致存在大量异常的并非分布内的数据，所以我们需要模型能够在推理过程中遇到新的异于分布内样本的数据，能够检测分布外的样本并及时地进行人为处理。

分布外检测对该问题提供了解决方案，通过构建具有表示分布内数据能力的模型(即指示分布内系统行为的数据)来学习分布内数据的分布或特征，然后将测试数据放入到该模型中，可以得到某种形式的自信分数。通常将数据的自信分数与设定的阈值进行比较，某个数据的得分超过阈值则将该数据视为正常数据，反之则视为分布外数据。

目前已有的研究分布外检测的方法主要包括基于分类器的方法、基于生成模型方法以及将深度学习技术、对抗训练思想应用于该领域的方法。目前主流的研究方法一般使用只包含分布内数据的数据集来训练模型，希望模型可以学习到分布内数据的一些特征，然后将该模型应用在新出现的数据上，可以在一定程度上将分布内数据和分布外数据区分开来，进而达到检测分布外样本的目的。

基于分类器的方法，通常用分类获取的softmax概率值来判断是否为分布外样本。训练时几乎等同于传统的分类任务，模型选取softmax概率值中的最大值对应的类别作为数据分类的结果。在测试阶段，对于模型没见到过的分布外数据，得到的最大softmax结果通常也会比较小，这样就可以将分布外数据检测出来。

基于生成模型的方法，一般通过使用分布内数据来训练生成模型，使得生成模型可以学习到分布内样本的分布，可以直接估计分布内的密度，如果一个测试样本位于低密度区域则可以宣布这个样本时分布外的。生成模型也可以通过重构误差来区分两种数据，对于分布外样本往往不能很好地重构，以此为判断标准达到检测分布外样本的目的。

基于对抗训练的方法，借鉴了生成对抗网络的思想，通过同时对抗地训练生成器和判别器来获取分布外样本检测的结果，通常使用判别器的输出结果作为检测标准，而不需要使用自信分数作为判别标准。

发明内容

本发明提供一种基于生成对抗网络不确定性注意力增强分布外图像检测法，该方法不会使用判别器作为分布外样本的检测手段，对于边缘样本不容易产生误判。