[发明专利]利用异常样本的边界引导式异常检测方法、装置与介质

权利要求书

1.一种利用异常样本的边界引导式异常检测方法，其特征在于，包括

获取正常样本和异常样本，对所述异常样本通过随机增强的剪切粘贴方法进行增广；

利用预训练模型分别提取正常样本和异常样本特征，获得正常特征和异常特征；

学习所述正常特征，获得正常特征分布；

基于所述正常特征分布，确定正常分离边界和异常分离边界；

基于所述正常特征、异常特征、正常分离边界和异常分离边界，通过边界引导的半推半拉法训练模型，学习更具有判别性的特征；

利用经过边界引导训练后的所述模型估计对数似然作为异常得分，检测出异常样本。

2.根据权利要求1所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述对所述异常样本通过随机增强的剪切粘贴方法进行增广，包括：

基于多个图像变换和每个图像变换的应用概率，构建增强集；

对每个异常样本随机选择所述增强集中的增强子集应用变换，获得增强的异常样本；

采用前景遮蔽策略选择粘贴位置；

切割所述增强的异常样本的异常区域；

将所述切割后的异常区域粘贴到正常样本中选定的所述粘贴位置上，生成模拟的异常样本。

3.根据权利要求1所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述学习所述正常特征，获得正常特征分布采用条件归一化流模型进行建模，其中：

所述条件归一化流模型根据变分公式近似估计输入特征分布；

所述条件归一化流模型的参数通过优化对数似然得到；

所述条件归一化流模型由耦合层组成，所述耦合层由全连接层实现，并加入二维感知的位置嵌入。

4.根据权利要求3所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述条件归一化流模型的参数通过优化对数似然得到，包括：

假定潜变量服从高斯分布，并通过特征的最大似然损失函数来优化条件归一化流模型。

5.根据权利要求1所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述基于所述正常特征分布，确定正常分离边界和异常分离边界，包括：

定义一个位置超参数β控制边界到中心的距离；

选择排序后的正态对数似然分布的第β个百分点作为正常分离边界bn；

引入一个边界超参数τ，并定义异常分离边界为ba＝bn-τ。

6.根据权利要求5所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述基于所述正常特征、异常特征、正常分离边界和异常分离边界，通过边界引导的半推半拉法训练模型，学习具有鉴别性的特征，包括：

边界引导的半推半拉损失利用正态边界bn作为参考对象，并且只将对数似然值小于bn的正常特征拉到一起，将对数似然值大于ba的异常特征推离，至少距离bn边界τ单位；

利用最大似然损失函数和边界引导的半推半拉损失函数训练所述条件归一化流模型，学习更加具有判别性的特征。

7.根据权利要求1所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述利用经过边界引导训练后的模型估计对数似然作为异常得分，检测出异常样本，包括：

获取测试样本；

所述测试样本通过预训练模型提取样本特征；

所述测试样本特征通过训练得到的所述条件归一化流模型估计对数似然值作为异常得分；

若异常得分小于设定阈值，则判定为正常样本；若异常得分值大于设定阈值则判定为异常样本。

8.根据权利要求7所述的利用异常样本的边界引导式异常检测方法，其特征在于，所述估计对数似然值作为异常得分，包括：

利用训练得到的归一化流模型对每个输入特征进行对数似然估计，获得对数似然值；

通过指数函数将所述对数似然值转换成似然值；

使用最大似然减去每个似然值，生成异常得分。