[发明专利]基于分类器预测不确定性的注意力增强分布外图像检测法

权利要求书

1.一种基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，包括以下步骤：

S1：图像重构特征提取以及降维处理；

S2：利用S1得到的低维数据进行多分类概率计算，提取有效的类别概率特征；

S3：将S1和S2得到的数据作为一分类器的输入得到数据异常的概率值；

所述步骤S1的具体过程是：

获取图像数据，首先将其输入至特征提取器提取出特征，如公式(1)，提取出的特征输入至分类器获取分类结果，如公式(2)，同时将特征输入至分类器的不确定性估计器获取分类结果的不确定性，如公式(3)：

h＝F(x)     (1)

y＝Softmax(C(h))    (2)

σ²＝log(1+exp(U(h)))    (3)

其中x表示输入的图像数据，σ表示分类结果的偶然不确定性，F表示特征提取器，C表示分类器，U表示不确定性估计器；

所述步骤S2的具体过程是：

将S2中获得的不确定性对特征进行求导并进行梯度反转，如公式(4)此时数值为正的区域表示对不确定性贡献小，也就是相对比较确定的区域；进一步保留确定的区域，这也是需要关注的区域，忽略不确定的区域，也就是令数值为负的区域为0，如公式(5)，再进行softmax，即可获取特征的注意力图，如公式(6)：

2.根据权利要求1所述的基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，式(2)中所获得的是样本的分类分布，但该分布并非最终需要的分类结果，而是用以训练不确定性估计器。

3.根据权利要求2所述的基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，式(3)中的不确定性作为输出结果的方差，必须为正，所以并没有直接使用不确定性估计器的输出。

4.根据权利要求1所述的基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，用获取的注意力图对特征进行加权，则帮助更加关注确定的特征，获取新的特征如公式(7)：

5.根据权利要求4所述的基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，所述步骤S3的具体过程是：

将S2中获得的加权后的特征作为分类器的输入特征来获取分类的概率分布，使用softmax最大概率值作为样本的自信分数，以此和阈值相比较来判断是不是分布内样本。

6.根据权利要求5所述的基于分类器预测不确定性的注意力增强分布外图像检测法，其特征在于，分类器是只有一层的全连接神经网络，特征提取器是卷积神经网络，利用分类器的不确定性加权后的样本来训练模型，使特征提取器和分类器都更加关注分布内样本容易分类的区域，从而拉开两种数据的自信分数，检测出分布外样本。