[发明专利]基于互信息增强的自监督新颖性检测方法

说明书

基于互信息增强的自监督新颖性检测方法，涉及图像处理领域。本发明是为了解决现有图像新颖性检测方法的重构效果不佳，难以对类内外图像边界进行区分，进而导致在复杂场景中检测效果差的问题。本发明具体过程为：将待检测的图像输入到训练好的自监督新颖性检测模型的自编码网络中进行新颖性检测，获得检测结果。所述自监督新颖性检测模型包括：自编码网络、隐鉴别器、鉴别器_、分类器；自编码网络包括：生成器和编码器，用于对输入的待检测图像数据进行重构；所述隐鉴别器用于与编码器进行对抗训练；所述鉴别器用于与生成器进行对抗训练；分类器用于对生成器生成的图像进行分类。本发明用于对图像的新颖性进行检测。

技术领域

本发明涉及图像处理领域，具体涉及基于互信息增强的自监督新颖性检测方法。

背景技术

新颖性检测解决了如何判断一个数据样本相对于训练数据是否为离群值的问题。在离群值的比例很小的情况下检测效果十分显著。例如欺诈性交易检测，入侵检测，视频监控，医学诊断和设备故障检测等。与其他机器学习任务不同，在单类新颖性检测中，我们在训练时只观察到单个类的样本。在测试过程中，我们期望训练的模型能够识别出输入到模型中的图像是类内样本还是类外样本。由于问题的表述假设没有任何负训练数据，这在实践中是一个非常难以解决的问题。

随着深度学习的出现，单类新颖性检测得到广泛关注。近年来，深度自动编码器及其变体在从复杂数据中寻找紧凑表示方面表现出了卓越的性能，基于自编码器与生成对抗网络联合训练的方法在近几年发展迅速，重构误差已被选为检测样本新颖性的常用指标。然而，目前基于自编码器的新颖性检测算法仍然存在重构效果不佳的缺陷，进而导致难以对类内外边界进行较好的区分，在复杂场景中难以取得好的效果。

发明内容

本发明目的是为了解决现有图像新颖性检测方法的重构效果不佳，难以对类内外图像边界进行区分，进而导致在复杂场景中检测效果差的问题，而提出了基于互信息增强的自监督新颖性检测方法。

基于互信息增强的自监督新颖性检测方法，具体过程为：

将待检测的图像输入到训练好的自监督新颖性检测模型的自编码器网络中进行新颖性检测，获得检测结果；

所述自监督新颖性检测模型包括：自编码器网络、隐鉴别器D_z、鉴别器D_x、分类器Q；

所述自编码器网络包括：生成器G和编码器E，用于对输入的待检测图像数据进行重构；

所述编码器E用于将待检测图像转化为在潜在空间中对应的隐变量；

所述生成器用于将隐向量转化为重构的图像；

所述隐鉴别器D_z包括：3层全连接层，用于与编码器E进行对抗训练，使得潜在空间的分布近似于标准高斯分布

所述鉴别器D_x用于与生成器G进行对抗训练，使得生成器可以更好的生成类内样本；

分类器Q用于对生成器生成的图像进行分类；

所述潜在空间是隐向量组成的空间，也就是编码器和生成器中间的空间。

本发明的有益效果为：

本发明综合提出一种基于互信息增强的自监督新颖性检测模型，将自监督学习的标签应用于InfoGAN中，本发明通过自监督学习使得编码器学习到类内图像数据的语义信息，降低了类内图像数据重构误差；其次，增大标签与相应数据之间的互信息，通过标签限制自编码器网络的输出，增大了类外样本的重构误差。本发明加大类内外图像样本重构误差的差距，使二者边界更为清晰，进而更好的区分类内图像样本和类外图像样本，从而提升了在复杂场景中的检测效果。

附图说明

图1是Protocol1下单类新颖性检测的平均AUROC(MNIST)图；