[发明专利]一种基于改进降噪自编码器的异常检测模型的训练方法

说明书

本申请公开了一种基于改进降噪自编码器的异常检测模型的训练方法，该方法在训练异常检测模型的过程中，一方面将矩形框作为原始图像的局部遮挡，强迫模型更综合的学习图像整体信息，而非局部信息；另一方面，通过在矩形框内随机添加噪声，可以避免单一噪声带来的弊端，使得模型在训练过程中模式化的学习到降噪方法，提升模型泛化能力。由于学习的任务更加复杂，有助于缓解恒等映射问题，提升模型的异常检测性能。此外，本申请还提供了一种基于改进降噪自编码器的异常检测模型的训练装置、设备及可读存储介质，其技术效果与上述方法的技术效果相对应。

技术领域

本申请涉及计算机技术领域，特别涉及一种基于改进降噪自编码器的异常检测模型的训练方法、装置、设备及可读存储介质。

背景技术

异常检测模型用于实现对不符合预期模式的异常数据的识别，异常数据可认为是不常见的或者与其他数据差异较大的数据。在实际应用中，往往无法获取足够多的异常样本参与模型训练，所以一般不对异常样本进行学习，而是依靠对正常样本的学习从而使异常检测模型具备对异常样本的区分能力。从学习原理上，可认为异常检测模型从只有正常样本的数据集中寻找对应模式，而后在更大范围的空间中有效地将正常样本和异常样本分开。异常检测模型在医学图像、安监图像、工业质检图像的分析中取得了广泛应用。

深度学习方法中实现异常检测的主流思路为自映射方法，其原理为：基于自动编码器实现正常样本的压缩与重建，根据重建前后图像的差异判断图像属于正常或者异常。该类方法假设正常样本与异常样本在多个空间的表征差异较大，使用正常样本训练的模型难以对异常样本进行较好的重建。但是，自动编码器存在恒等映射问题，即倾向于将输入图像原封不动的进行输出，导致模型对于某些未参与训练的异常样本仍能获得较好的重建效果，影响异常检测模型的性能。

为了解决使用自编码器进行异常检测带来的恒等映射问题，相关方案使用降噪自编码器代替传统自编码器开展图像异常研究。该方案在训练过程中利用降噪自编码器对输入图像叠加高斯噪声，而后对输出图像与未添加噪声的原始图像进行约束学习，使得模型能够自动去除噪声。通过此方法可在一定程度上降低自动编码器的恒等映射问题，但是，一方面，在仅添加高斯噪声的情况下，模型在多次迭代后能够学习到此分布模式；另一方面，高斯噪声对于正常样本与异常样本的影响相同，对于图形语义没有差别，所以对于异常检测任务，其作用有限，无法提升异常检测性能。

发明内容

本申请的目的是提供一种基于改进降噪自编码器的异常检测模型的训练方法、装置、设备及可读存储介质，用以解决当前的异常检测模型的训练方案或存在恒等映射问题或泛化能力较差，导致模型异常检测性能较弱的问题。其具体方案如下：

第一方面，本申请提供了一种基于改进降噪自编码器的异常检测模型的训练方法，包括：

获取原始图像；

利用改进降噪自编码器根据预设的分辨率比的范围区间生成矩形框，利用所述矩形框遮挡所述原始图像，其中所述分辨率比为所述矩形框形成的遮挡区域的分辨率与所述原始图像的分辨率的比值；

利用所述改进降噪自编码器在所述矩形框内填充随机噪声，得到噪声图像；

利用异常检测模型对所述原始图像和所述噪声图像进行约束学习，以实现对所述异常检测模型的训练。

优选的，所述利用改进降噪自编码器根据预设的分辨率比的范围区间生成矩形框，包括：

在预设的分辨率比的范围区间内，随机生成目标分辨率比；

利用改进降噪自编码器根据所述目标分辨率比生成矩形框。

优选的，所述利用改进降噪自编码器根据预设的分辨率比的范围区间生成矩形框，包括：

利用改进降噪自编码器，根据预设的分辨率比的范围区间生成随机数量的矩形框。