[发明专利]基于自编码器的无监督学习图像异常检测方法

说明书

本发明公开了一种基于自编码器的无监督学习图像异常检测方法，该方法为：将样本分为训练样本和测试样本，分别对训练样本和测试样本进行预处理，然后将预处理之后的训练样本/测试样本输入到自编码器进行重建得到重建结果，分别计算其重建损失、重建过程中编码器和解码器对应层之间的加权特征一致性损失、特征判别损失和对抗损失；然后对上述损失加权求和，作为总的损失函数；最后计算测试样本的异常得分。然后使用特征归一化将每个样本的异常得分映射到[0,1]，计算接收者操作特征曲线下的面积作为评估指标。本发明利用自编码器和判别的潜在空间特征来提升无监督异常检测的准确率，应用于工业、安防或其他的无监督环境中。

技术领域

本发明涉及一种基于自编码器的无监督学习图像异常检测方法，属于视觉异常检测技术领域。

背景技术

异常检测是指在数据中发现不符合预期行为模式的数据，因此也称为离群检测。异常检测是机器学习中的一个重要的领域，涉及多个领域的实际应用，比如网络入侵检测、安检、医学诊断、视频监视。在许多应用中，缺少有标签的数据来区分异常点和正常点，它们需要以无监督或者半监督的方式检测。

自编码器是一种无监督的表示学习模型，由编码器和解码器组成，可以用于压缩数据和特征提取。其思路是通过编码器将输入数据映射到一个潜在特征空间，再利用解码器将这个潜在特征空间的信息映射到重构空间。在大多数情况下，编码器和解码器都是由神经网络实现，因此自编码器可以提取数据中非线性信息。

目前许多使用自编码或者其编码的异常检测方法都是基于重建输入，这类方法一般分为两个步骤：首先，使用基于自编码器或者其变体重建输入数据；然后，选择一个度量重建误差的方式进行异常检测。这类方法基本都是专注于重建误差来使样本的重建结果更接近于输入样本，没有充分利用自编码器潜在空间的特征。因此，本发明在重建误差的基础上对异常检测算法的效果进行提升。

发明内容

发明目的：基于以上内容，本发明的目的在于提供一种基于自编码器的无监督学习图像异常检测方法，利用自编码器和判别的潜在空间特征来提升无监督异常检测的准确率，应用于工业、安防或其他的无监督环境中。

上述的目的通过以下技术方案实现：

基于自编码器的无监督学习图像异常检测方法，该方法包括如下步骤：

步骤(1)训练阶段：

1-1.对训练样本进行预处理：将训练样本的输入图像大小由1×28×28转换成3×32×32，并进行随机水平翻转；

1-2.将步骤1-1中预处理之后的训练样本输入到自编码器进行重建得到训练样本的重建结果，计算训练样本与训练样本的重建结果之间的重建损失，计算重建过程中编码器和解码器对应层之间的加权特征一致性损失；

1-3.将步骤1-1中预处理之后的训练样本和步骤1-2中得到的训练样本的重建结果输入到判别器，计算训练样本的特征判别损失和对抗损失；

1-4.将步骤1-2中的重建损失和加权特征一致性损失以及步骤1-3中的特征判别损失和对抗损失进行加权求和，作为训练阶段的总的损失函数；

步骤(2)检测阶段：

2-1.对测试样本进行预处理：将测试样本的输入图像大小由1×28×28转换成3×32×32；

2-2.将步骤2-1预处理之后的测试样本输入到自编码器进行重建得到测试样本的重建结果，计算测试样本的重建损失和加权特征一致性损失；

2-3.将步骤2-2中得到的生成样本和步骤2-1中预处理后的测试样本输入到判别器，计算测试样本的特征判别损失；

2-4.根据步骤2-2中计算得到的测试样本的重建损失、加权特征一致性损失，以及步骤2-3中得到的测试样本的特征判别损失，三者的加权和计算测试样本的异常得分。