[发明专利]一种基于生成对抗网络的图像异常检测方法

摘要

本发明公开了一种基于生成对抗网络的图像异常检测方法，是综合考虑正常图像和异常图像的特征，并通过生成对抗模型生成异常图像和检测异常图像，其步骤包括：获取训练数据集并构造隐含空间；构造生成网络，得到生成图片集合；构造编码网络，得到生成图片集合在隐含空间上的映射；通过判别网络和检测网络并构造共享参数；由所述生成网络、所述编码网络、网络判别网络和检测网络构成生成对抗网络并进行对抗训练。本发明能够充分利用异常数据以及正常数据之间的关系生成对抗网络用于检测异常图像，从而有效的确定正常数据边界，并提高异常检测的精度。

主权项

1.一种基于生成对抗网络的图像异常检测方法，其特征是按如下步骤进行：步骤1、获取训练图像数据集I并构造隐含空间Z：步骤1.1、获取训练图像数据集I：获取真实的异常图像集，记为X＝{x1,x2,...,xi,...,xN}，其中xi表示第i张异常图像，i＝1,2,...,N，N为异常图像的总数；获取真实的正常图像集，记为Y＝{y1,y2,...,yj,...,yM}，其中yj表示第j张正常图像，j＝1,2,...,M，M为正常图像的总数；且M＞＞N；令I＝{X,Y}表示训练图像数据集；步骤1.2、构造隐含空间Z：在[‑0.1,0.1]范围内的均匀分布上构造隐含空间Z，以z表示所述隐含空间Z上的任意一个隐含空间向量；步骤2、构造生成网络G，得到生成图像集合步骤2.1、设定所述生成网络G的隐含层总层数为kG；令当前隐含层为第hG层；步骤2.2、初始化hG＝1；步骤2.3、根据式(1)计算隐含空间向量z在第h_G层隐含层的输出从而得到隐含空间Z上所有隐含空间向量在第h_G层隐含层的输出：式(1)中，BN(·)是批归一化层；表示所述生成网络G的第h_G层隐含层的转换矩阵；表示所述生成网络G的第h_G层隐含层的偏置矩阵；当h_G＝1时，令步骤2.4、将h_G+1赋值给h_G，并判断h_G>k_G是否成立，若成立，则令表示隐含空间向量z在所述生成网络G上的生成图像，从而得到隐含空间Z上所有隐含空间向量在所述生成网络G上生成图像集合否则，返回步骤2.3执行；步骤3、构造编码网络C，得到生成图像集合在隐含空间Z上的映射步骤3.1、设定所述编码网络E的隐含层总层数为kC，令当前隐含层为第hC层；步骤3.2、初始化hC＝1；步骤3.3、根据式(2)计算隐含空间向量z在所述生成网络G上的生成图像在第h_C层的输出从而得到隐含空间Z上所有隐含空间向量在所述生成网络G上的生成图像集合在第h_C层隐含层的输出：式(2)中，表示所述编码网络C的第h_C层隐含层的转换矩阵；表示所述编码网络E的第h_C层隐含层的偏置矩阵；当h_C＝1时，令步骤3.4、将h_C+1赋值给h_C，并判断h_C>k_C是否成立，若成立，则令表示隐含空间向量z在所述生成网络G上的生成图像在隐含空间Z上的映射，从而得到生成图像集合在隐含空间Z上的映射否则，返回步骤3.3执行；步骤4、通过判别网络D1和检测网络D2并构造共享参数：步骤4.1、构造判别网络D1：步骤4.1.1、以所述真实的异常图像集X和生成图像集合构成组合异常图像集I_d1，并作为所述判别网络D₁的输入数据；步骤4.1.2、设定判别网络D₁的隐含层总层数为令当前隐含层为第层；步骤4.1.3、初始化步骤4.1.4、根据式(3)计算所述组合异常图像集I_d1中任意一张组合异常图像i_d1在第层的输出从而得到所述组合异常图像集I_d1中所有组合异常图像在第层的输出：式(3)中，表示所述判别网络D₁的第层隐含层的转换矩阵；表示所述判别网络D₁的第层隐含层的偏置矩阵；当时，令步骤4.1.5、将赋值给并判断是否成立，若成立，则表示得到所述组合异常图像集I_d1中所有组合异常图像在第层的输出，并执行步骤4.1.6；否则，返回步骤4.1.4执行；步骤4.1.6、根据式(4)得到所述判别网络D1对任意一张组合异常图像id1属于真实的异常图像集X的概率D1(id1)：式(4)中，f(·)是sigmoid函数；表示所述判别网络D₁的第层隐含层的转换矩阵；表示所述判别网络D₁的第层隐含层的偏置矩阵；步骤4.2、构造检测网络D2：步骤4.2.1、以所述真实的异常图像集X、生成图像集合和真实的正常图像集Y构成组合图像集I_d2，并作为所述检测网络D₂的输入数据；步骤4.2.2、设定检测网络D₂的隐含层总层数为令当前隐含层为第层；步骤4.2.3、初始化步骤4.2.4、根据式(5)计算所述组合图像集I_d2中任意一张组合图像i_d2在第层的输出从而得到所述组合图像集I_d2中所有组合图像在第层的输出：式(5)中，表所述检测网络D₂的第层隐含层的转换矩阵；表示所述检测网络D₂的第层隐含层的偏置矩阵；当时，令步骤4.2.5、将赋值给并判断是否成立，若成立，则表示得到所述组合图像集I_d2中所有组合图像在第层的输出，并执行步骤4.2.6；否则，返回步骤4.2.4执行；步骤4.2.6、根据式(6)得到所述检测网络D2对任意一张组合图像id2属于组合异常图像集Id1的概率D2(id2)：式(6)中，表示所述检测网络D₂的第层隐含层的转换矩阵；表示所述检测网络D₂的第层隐含层的偏置矩阵；步骤4.3、构造共享参数：利用式(7)和式(8)构造所述判别网络D1和检测网络D2隐含层的共享参数；步骤5、由所述生成网络G、所述编码网络C、网络判别网络D1和检测网络D2构成生成对抗网络并进行对抗训练：步骤5.1、建立如式(9)所示的对抗损失函数Lad：Lad＝Ex～p(X)log(D1(x))+Ez～p(Z)log(1‑D1(G(z)))  (9)式(9)中，E表示期望，x～P(X)表示从真实的异常图像集X的分布P(X)中取出任意一张异常图像x，z～P(Z)表示从所述隐含空间Z的分布P(Z)中取出隐含空间向量z；G(z)表示从所述隐含空间Z的分布P(Z)中取出隐含空间向量z在所述生成网络G上生成的图像；D1(G(z))表示所述判别网络D1对所述生成网络G上生成的图像G(z)属于真实的异常图像集X的概率；D1(x)表示所述判别网络D1对任意一张异常图像x属于真实的异常图像集X的概率；步骤5.2、建立如式(10)所示的隐含空间损失函数Lc：Lc＝Ez～p(Z)||z‑C(G(z))||1  (10)式(10)中，C(G(z))表示所述编码网络C对所述生成网络G上生成的图像G(z)映射到隐含空间Z上的隐含向量；步骤5.3、建立如式(11)所示的检测损失函数Lan：Lan＝Ex～p(X)[log(D2(x))]+Ez～p(Z)[log(D2(G(z)))]+Ey～p(Y)[log(1‑D2(y)]  (11)式(11)中，y～P(Y)表示从真实的正常图像集Y的分布P(Y)中取出任意一张正常图像y；D2(x)表示所述判别网络D2对任意一张异常图像x属于真实的正常图像集Y的概率；D2(G(z))表示所述判别网络D2对所述生成网络G上生成的图像G(z)属于真实的正常图像集Y的概率；D2(y)表示所述判别网络D2对任意一张正常图像y属于真实的正常图像集Y的概率；步骤5.4、建立如式(12)所示的生成目标函数LG：LG＝||Lad+α1Le‑α2Lan||1  (12)式(12)中，α1和α2表示两个不同的超参数；步骤5.5、建立如式(13)所示的隐含空间目标函数LC：LC＝Lc  (13)步骤5.6、建立如式(14)所示的检测目标函数LD：LD＝‑Lad‑Lan  (14)步骤5.7、对抗训练优化目标函数LD，LC和LD：通过随机梯度下降法分别对式(12)、式(13)和式(14)进行优化求解，使得LG值、LC值和LD值在相互对抗中均收敛到最优，当LG值达到最优时，所述生成网络G达到最优，生成更多的异常数据，当LC值达到最优时，所述编码网络C达到最优，当LD值达到最优时，所述判别网络D1和检测网络D2达到最优，其中所述检测网络D2用于对输入图像进行异常检测，并输出为异常图像的概率。