1.一种基于元学习的零样本和小样本证件照异常检测方法,其特征在于,包括如下步骤:(1)构建样本数据:收集证件照并从中选取部分证件照进行标注,其中证件照包括标准证件照和异常证件照;
(2)按比例将步骤(1)中的样本数据划分为训练集和测试集,并对应构建细粒度模式的训练任务和测试任务;
(3)构建基于元学习的异常检测网络;
(4)采用证件照数据集预训练异常检测网络,初始化参数,采用细粒度模式的训练任务对异常检测网络进行元训练,得到基于元学习的证件照异常检测模型;
(5)将待检测的证件照输入步骤(4)中基于元学习的证件照异常检测模型,得到归一化检测分数S,判别证件照是否标准。
2.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于:所述标注过程为:将标准证件照的特征标签设为0,将异常证件照的特征标签设为1,把所有收集的证件照和标注的特征标签作为样本数据;
所述异常证件照是指存在偏差情况的证件照,偏差情况包括浓妆、太阳眼镜遮挡、发饰遮挡、口罩遮挡、不正常表情、不标准背景和不标准姿态中的一种或多种。
3.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于,所述步骤(2)中构建训练任务和测试任务的方法相同,当构建训练任务时,从训练集中抽取(N-K)个标准样本构成集合Zi和(N-K)个异常样本构成集合Gm;
从训练集中重采样K+Q个标准照片构成的集合Zj和K+Q个异常样本构成的集合Gn,用Zj和Gn中2Q个样本构建查询集,用其他2N个样本构建支持集,所构建的任务中Zi和Gm为预定义类别,Zj和Gn为新类别,当K=0时,元学习器从Zi和Gm中学习;当K>0时,元学习器从Zi、Zj、Gm、Gn中学习,从Zj、Gn中预测,且当K>0时,构建的细粒度模式任务中不应当包含未标记的样本数据。
4.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于,步骤(3)中所述的基于元学习的异常检测网络包括一个基本元学习器,一个更新元学习器和一个自适应步长更新单元。
5.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于,步骤(4)具体包括:将细粒度模式训练任务中的支持集输入基本元学习器学习样本元特征并输出元特征权重θ和支持集元学习损失Ls;
将元特征权重θ输入自适应步长更新单元,在j个更新步骤后输出元特征权重θj;
将细粒度模式训练任务中的查询集和元特征权重θj输入更新元学习器,得到异常检测分数S,并将得到的查询集元学习损失Lq反馈给基本元学习器,在支持集上优化网络精准定位异常样本。
6.根据权利要求1所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于步骤(5)中所述的判别过程为将归一化检测分数S与设定的阈值比较,若S大于阈值则将检测的证件照判定为异常证件照,若S小于阈值,则将检测的证件照判定为正常证件照。
7.根据权利要求1或5所述的基于元学习的零样本和小样本证件照异常检测方法,其特征在于步骤(4)中所述的异常检测网络训练过程采用的损失Loss为:Loss=Ls+Lq
Ls为支持集元学习损失,Lq为查询集元学习损失,训练过程使用含动量项的随机梯度下降作为优化器。