[发明专利]一种异常检测模型的训练方法、装置、设备及存储介质

权利要求书

1.一种异常检测模型的训练方法，包括：

获取真实人脸图像，作为正样本，以及获取合成人脸图像，作为负样本，将所述正样本和所述负样本作为训练样本；

确定由若干训练样本构成的样本集；

针对所述样本集中的每个训练样本，将该训练样本输入待训练的异常检测模型的特征提取层，得到所述特征提取层输出的该训练样本的样本特征；

将该样本特征输入所述异常检测模型的分类层，得到所述分类层输出的该训练样本的检测结果；

根据所述样本集中各正样本的样本特征，确定用于表征正样本的共性的代表特征；

以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大，以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标，对所述异常检测模型进行训练，训练完成的所述异常检测模型用于检测合成人脸图像。

2.如权利要求1所述的方法，所述异常检测模型通过多次迭代过程训练得到；

根据所述样本集中各正样本的样本特征，确定用于表征正样本的共性的代表特征，具体包括：

根据本次迭代过程中所述样本集中各正样本的样本特征的特征均值，确定参考特征，以及确定上一次迭代过程中确定出的用于表征正样本的共性的代表特征；

根据所述参考特征及其权重，以及所述上一次迭代过程中确定出的正样本的代表特征及其权重，确定本次迭代过程得到的用于表征正样本的共性的代表特征。

3.如权利要求1所述的方法，以所述样本集中各正样本的样本特征和所述代表特征之间的差异最小、所述样本集中各负样本的样本特征和所述代表特征之间的差异最大，以及所述样本集中各训练样本的检测结果及其标注之间的差异最小为优化目标，对所述异常检测模型进行训练，具体包括：

根据所述样本集中各正样本的样本特征和所述代表特征之差，统计第一差值；以及，根据所述样本集中各负样本的样本特征和所述代表特征之差，统计第二差值；

根据所述第一差值与所述第二差值之差，确定第一损失；

根据所述样本集中各训练样本的检测结果及其标注，确定第二损失；

以所述第一损失和所述第二损失之和最小为优化目标，对所述异常检测模型进行训练。

4.如权利要求3所述的方法，根据所述第一差值与所述第二差值之差，确定第一损失，具体包括：

根据所述第一差值与所述第二差值之差，确定对比差值；

将所述第一差值和所述对比差值之和，作为第一损失。

5.如权利要求3所述的方法，根据所述第一差值与所述第二差值之差，确定第一损失，具体包括：

根据所述第一差值与所述第二差值之差，确定对比差值；

若所述对比差值小于预设的差异阈值，将所述第一差值作为第一损失；

若所述对比差值不小于所述差异阈值，将所述第一差值、所述对比差值和所述差异阈值之和，作为第一损失。

6.如权利要求3所述的方法，根据所述样本集中各正样本的样本特征和所述代表特征之差，统计第一差值；以及，根据所述样本集中各负样本的样本特征和所述代表特征之差，统计第二差值，具体包括：

针对所述样本集中的每个正样本，确定该正样本的样本特征和所述代表特征之差，作为初始正差值；

根据各初始正差值的均值，确定第一差值；

针对所述样本集中的每个负样本，确定该负样本的样本特征和所述代表特征之差，作为初始负差值；

根据各初始负差值的均值，确定第二差值。

7.如权利要求1所述的方法，根据所述样本集中各正样本的样本特征，确定用于表征正样本的共性的代表特征，具体包括：

若所述样本集中正样本的数量大于预设的数量阈值，根据所述样本集中各正样本的样本特征，确定所述各正样本的样本特征的特征均值，作为用于表征正样本的共性的代表特征。