欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023112319182
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于边缘世界生成网络的图像异常检测方法,其特征在于,是按以下步骤进行:步骤1、获取训练图像数据集A,并构造随机空间向量集合Z:

步骤1.1、获取真实的正常图像数据集,记为A={a1,a2,…,ai,…,aN},其中,ai表示第i张正常图像,i=1,2,…,N,N为正常图像的总数;

步骤1.2、在[-1,1]范围内的均匀分布上进行随机高斯采样后,得到随机空间向量集合Z={z1,z2,…,zj,…,zM},zj表示第j个随机空间向量;M表示随机空间向量的总数;

步骤2、构造特征提取网络F,并对正常图像数据集A进行处理,得到正常特征向量集合;

步骤3、构造特征膨胀网络E,并对正常特征向量集合进行处理,得到正常特征向量集合在特征空间V上映射的膨胀特征向量集合:步骤4、构造特征蒸馏生成网络G,并对随机空间向量集合Z进行处理,得到随机空间向量集合Z={z1,z2,…,zj,…,zM}在特征空间V上映射的伪异常特征向量集合:步骤5、通过边缘特征判别网络D1和异常分类网络D2构造共享参数:步骤5.1、构造边缘特征判别网络D1,并以伪异常特征向量集合作为所述边缘特征判别网络D1的输入数据,得到第j个伪异常特征向量在所述边缘特征判别网络D1上第KD1层隐含层的第j个输出;

根据式(5)得到所述边缘特征判别网络D1对第j个伪异常特征向量的异常分数():()=              (5)

式(5)中,为自然对数的底数,、为韦伯变换函数中的超参数;

步骤5.2、构造异常分类网络D2,并以膨胀特征向量集合和所述伪异常特征向量集合构成正、异常特征向量集合I={,},并作为所述异常分类网络D2的输入数据,从而得到第k个特征向量在所述异常分类网络D2的第KD2层隐含层的输出;

根据式(7)得到所述异常分类网络D2对第k个特征向量的异常分数():()=                   (7)

步骤5.3、构造共享参数:

利用式(8)和式(9)构造所述边缘特征判别网络D1和异常分类网络D2隐含层的共享参数;

= (8)

= (9)

式(8)和式(9)中,表示所述边缘特征判别网络D1的第hD1层隐含层的转换矩阵;表示所述边缘特征判别网络D1的第hD1层隐含层的偏置矩阵;表示所述异常分类网络D2的第hD2层隐含层的转换矩阵;表示所述异常分类网络D2的第hD2层隐含层的偏置矩阵;

步骤6、由所述特征提取网络F、特征膨胀网络E、特征蒸馏生成网络G、边缘特征判别网络D1和异常分类网络D2构成边缘世界生成网络并进行对抗训练:步骤6.1、利用式(10)建立对抗损失函数:

(10)

式(10)中,为一个扰动值,E表示期望,表示从训练图像数据集A的分布中取出一个批次的正常图像组,表示从随机空间向量集合Z的分布中取出一个批次的随机空间向量组,表示从随机空间向量集合Z的分布中取出该批次的随机空间向量组在所述特征蒸馏生成网络G生成的伪异常特征向量;表示所述异常分类网络D2对所述特征蒸馏生成网络G生成的伪异常特征向量属于的异常分数;表示从训练图像数据集A的分布中取出该批次的正常图像组在所述特征提取网络F上提取的正常特征向量;表示正常特征向量在所述特征膨胀网络E上映射所得到的膨胀特征向量;表示所述异常分类网络D2对所述特征膨胀网络E上的膨胀特征向量属于的异常分数;()为合页损失函数,并有:(11)

式(11)中,当输入为膨胀特征向量的异常分数时,则令标签为+1,当输入为伪异常特征向量的异常分数时,则标签为-1;

步骤6.2、利用式(12)建立膨胀损失函数:

(12)

式(12)中,与表示对正常图像组进行不同随机变换后,得到两组类似图像;表示所构建的协方差矩阵行列式损失函数,并有:(13)

式(13)中,,表示两个输入,、分别表示,的均值,T表示转置;

步骤6.3、建立生成边缘特征损失函数:

步骤6.3.1、利用式(14)建立韦伯边缘特征向量:

(14)

式(14)中,表示高斯分布,为高斯分布的随机输入值,为高斯分布的均值参数和方差参数;表示韦伯变换函数,并有:(15)

式(15)中,表示韦伯变换函数的输入;

步骤6.3.2、利用式(16)建立边缘偏离损失函数:

(16)

式(16)中,表示平均绝对误差损失函数,并由式(17)得到;表示矩阵梯度损失函数,并由式(18)得到,表示结构相似性指数损失函数,并由式(19)得到,(17)

(18)

式(18)中,与分别表示在第一维度方向和第二维度方向上的差分,与分别表示在第一维度方向和第二维度方向上的差分;

(19)

式(19)中,、分别表示的均值和方差,、分别表示的均值和方差,表示与的协方差,、为常数;

步骤6.3.3、利用式(20)建立生成边缘特征损失函数:

(20)

式(20)中,表示所述边缘特征判别网络D1对所述特征蒸馏生成网络G生成的伪异常特征向量属于的异常分数;

步骤6.4、通过随机梯度下降法分别对式(20)、式(12)、式(10)进行优化求解,使得值、值和值在相互对抗中均收敛到最优;当生成边缘特征损失函数到达最优时,所述特征蒸馏生成网络G达到最优;当膨胀损失函数到达最优时,特征膨胀网络E达到最优;当对抗损失函数到达最优时,异常分类网络D2达到最优;并利用训练后的边缘世界生成网络对输入图像进行异常检测,输出图像的像素级异常分数图,完成图像异常检测与定位。

2.根据权利要求1所述的基于边缘世界生成网络的图像异常检测方法,其特征在于,所述步骤2包括:步骤2.1、设定所述特征提取网络F的隐含层总层数为KF;令当前的隐含层为hF层;

步骤2.2、随机初始化hF=1;

步骤2.3、根据式(1)计算正常图像数据集A中第i张正常图像ai在第hF层隐含层的输出f(hF)(ai),从而得到正常图像数据集A中所有正常图像在第hF层隐含层的输出:f(hF)(ai) = BN(Wf(hF)*(ai) + bf(hF))                           (1)式(1)中,*表示矩阵相乘,BN( )是批归一化层;Wf(hF)表示所述特征提取网络F的第hF层隐含层的转换矩阵;bf(hF)表示所述特征提取网络F的第hF层隐含层的偏置矩阵;当hF=1时,令第hF-1层的隐含层的输出(ai)=ai;

步骤2.4、将hF+1赋值给hF,并判断hF>KF是否成立,若成立,则令= f(hF)(ai)表示第i张正常图像ai在所述特征提取网络F上提取的第i个正常特征向量,从而得到正常图像数据集A中所有正常图像在所述特征提取网络F上提取的正常特征向量集合;否则,返回步骤2.3执行。

3.根据权利要求2所述的基于边缘世界生成网络的图像异常检测方法,其特征在于,所述步骤3包括:步骤3.1、设定所述特征膨胀网络E的隐含层总层数为KE;令当前的隐含层为hE层;

步骤3.2、随机初始化hE=1;

步骤3.3、根据式(2)计算第i个正常特征向量在第hE层隐含层的输出e(hE)(),从而得到正常特征向量集合在第hE层隐含层的输出:e(hE)() = BN(We(hE)*() + be(hE))                (2)式(2)中,We(hE)表示所述特征膨胀网络E的第hE层隐含层的转换矩阵;be(hE)表示所述特征膨胀网络E的第hE层隐含层的偏置矩阵;当hE=1时,令第hE-1层的隐含层的输出()=;

步骤3.4、将hE+1赋值给hE,并判断hE>KE是否成立,若成立,则令= e(hE)()表示训练图像数据集A在所述特征提取网络F上提取的第i个正常特征向量在特征空间V上映射的膨胀特征向量,从而得到正常特征向量集合在特征空间V上映射的膨胀特征向量集合;否则,返回步骤3.3执行。

4.根据权利要求3所述的基于边缘世界生成网络的图像异常检测方法,其特征在于,所述步骤4包括:步骤4.1、设定所述特征蒸馏生成网络G的隐含层总层数为KG;令当前的隐含层为hG层;

步骤4.2、随机初始化hG=1;

步骤4.3、根据式(3)计算第j个随机空间向量zj在第hG层隐含层的输出g(hG)(zj),从而得到随机空间向量集合Z上所有随机空间向量在第hG层隐含层的输出:g(hG)(zj) = BN(Wg(hG)*(zj) + bg(hG))                     (3)式(3)中,Wg(hG)表示所述特征蒸馏生成网络G的第hG层隐含层的转换矩阵;bg(hG)表示所述特征蒸馏生成网络G的第hG层隐含层的偏置矩阵;当hG=1时,令第hG-1层的隐含层的输出(zj)=zj;

步骤4.4、将hG+1赋值给hG,并判断hG>KG是否成立,若成立,则令= g(hG)(zj)表示第j个随机空间向量zj在所述特征蒸馏生成网络G上的第j个生成伪异常特征向量,从而得到随机空间向量集合Z上所有随机空间向量在所述特征蒸馏生成网络G上生成伪异常特征向量集合;否则,返回步骤4.3执行。

5.根据权利要求4所述的基于边缘世界生成网络的图像异常检测方法,其特征在于,所述步骤5.1包括:步骤5.1.1、设定所述边缘特征判别网络D1的隐含层总层数为KD1;令当前的隐含层为hD1层;

步骤5.1.2、随机初始化hD1=1;

步骤5.1.3、根据式(4)计算第j个伪异常特征向量在第hD1层隐含层的输出d1(hD1)(),从而得到所述伪异常特征向量集合中所有伪异常特征向量在第hD1层隐含层的输出:d1(hD1)() = Wd1(hD1)* ()+ bd1(hD1)              (4)式(4)中,Wd1(hD1)表示所述边缘特征判别网络D1的第hD1层隐含层的转换矩阵;bd1(hD1)表示所述边缘特征判别网络D1的第hD1层隐含层的偏置矩阵;当hD1=1时,令第hD1-1层的隐含层的输出()=;

步骤5.1.4、将hD1+1赋值给hD1,并判断hD1>KD1是否成立,若成立,则表示得到第j个伪异常特征向量在所述边缘特征判别网络D1上第KD1层隐含层的第j个输出d1(KD1)(),从而得到所述伪异常特征向量集合中所有伪异常特征向量所述边缘特征判别网络D1上第KD1层隐含层的输出,否则,返回步骤5.1.3执行。

6.根据权利要求5所述的基于边缘世界生成网络的图像异常检测方法,其特征在于,所述步骤5.2包括:步骤5.2.1、设定所述异常分类网络D2的隐含层总层数为KD2;令当前的隐含层为hD2层;

步骤5.2.2、随机初始化hD2=1;

步骤5.2.3、根据式(6)计算所述正、异常特征向量集合I中任意第k个特征向量在第hD2层隐含层的输出d2(hD2)(),从而得到所述正、常异常特征向量集合I中所有特征向量在第hD2层隐含层的输出,k∈[1,N+M]:d2(hD2)() = Wd2(hD2) *() + bd2(hD2)                  (6)式(6)中,Wd2(hD2)表示所述异常分类网络D2的第hD2层隐含层的转换矩阵;bd2(hD2)表示所述异常分类网络D2的第hD2层隐含层的偏置矩阵;当hD2=1时,令第hD2-1层的隐含层的输出() =;

步骤5.2.4、将hD2+1赋值给hD2,并判断hD2> KD2是否成立,若成立,则表示得到第k个特征向量在所述异常分类网络D2的第KD2层隐含层的输出d2(KD2)();从而得到所述正、异常特征向量集合I中所有特征向量在所述异常分类网络D2的第KD2层隐含层的输出,否则,返回步骤5.2.3执行。

7.一种电子设备,包括存储器以及处理器,其特征在于,所述存储器用于存储支持处理器执行权利要求1-6中任一所述图像异常检测方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。

8.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1-6中任一所述图像异常检测方法的步骤。