[發(fā)明專利]異常檢測方法、模型的訓(xùn)練方法、裝置、設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010597568.1
• 申請日: 2020-06-28
• 公開（公告）號: CN111783613B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 張偉;譚嘯;李瑩瑩;孫昊;文石磊;章宏武;丁二銳
• 申請（專利權(quán)）人: 北京百度網(wǎng)訊科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京同立鈞成知識產(chǎn)權(quán)代理有限公司 11205
• 代理人: 張娜;劉芳

1.一種異常檢測方法，包括：

獲取待檢測視頻，所述待檢測視頻中包括目標(biāo)對象；

對所述待檢測視頻進(jìn)行預(yù)處理，得到多個(gè)管道級別的第一檢測實(shí)例和多個(gè)視頻級別的第二檢測實(shí)例，所述第一檢測實(shí)例和所述第二檢測實(shí)例均包括多個(gè)連續(xù)的圖像幀，所述第一檢測實(shí)例與所述第二檢測實(shí)例中的圖像幀一一對應(yīng)，所述第一檢測實(shí)例中的圖像幀尺寸小于所述第二檢測實(shí)例中的圖像幀的尺寸；

將多個(gè)所述第一檢測實(shí)例輸入至異常檢測模型的第一子模型，將多個(gè)所述第二檢測實(shí)例輸入至異常檢測模型的第二子模型，得到所述待檢測視頻中所述目標(biāo)對象存在異常的檢測實(shí)例；

其中，所述第一子模型和所述第二子模型是基于不同的訓(xùn)練實(shí)例對初始模型進(jìn)行訓(xùn)練得到的。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述對所述待檢測視頻進(jìn)行預(yù)處理，得到多個(gè)管道級別的第一檢測實(shí)例和多個(gè)視頻級別的第二檢測實(shí)例，包括：

對所述待檢測視頻中的每一個(gè)圖像幀進(jìn)行目標(biāo)檢測，將所述待檢測視頻中所述目標(biāo)對象對應(yīng)的檢測框的圖像塊作為第一檢測包，將所述待檢測視頻中包括所述目標(biāo)對象的全圖圖像塊作為第二檢測包；

其中，所述第一檢測包包括多個(gè)所述第一檢測實(shí)例，所述第二檢測包包括多個(gè)所述第二檢測實(shí)例。

3.根據(jù)權(quán)利要求1或2所述的方法，其中，將多個(gè)所述第一檢測實(shí)例輸入至異常檢測模型的第一子模型，將多個(gè)所述第二檢測實(shí)例輸入至異常檢測模型的第二子模型，得到所述待檢測視頻中所述目標(biāo)對象存在異常的檢測實(shí)例，包括：

將多個(gè)所述第一檢測實(shí)例輸入至所述異常檢測模型的第一子模型，得到第一分值集合，所述第一分值集合中包括每一個(gè)所述第一檢測實(shí)例對應(yīng)的分值；

將多個(gè)所述第二檢測實(shí)例輸入至所述異常檢測模型的第二子模型，得到第二分值集合，所述第二分值集合中包括每一個(gè)所述第二檢測實(shí)例對應(yīng)的分值；

根據(jù)所述第一分值集合和所述第二分值集合，確定所述待檢測視頻中所述目標(biāo)對象存在異常的檢測實(shí)例。

4.根據(jù)權(quán)利要求3所述的方法，其中，所述根據(jù)所述第一分值集合和所述第二分值集合，確定所述待檢測視頻中所述目標(biāo)對象存在異常的檢測實(shí)例，包括:

根據(jù)所述第一分值集合和所述第二分值集合，確定平均分值最高的檢測實(shí)例；

將所述平均分值最高的檢測實(shí)例作為所述待檢測視頻中所述目標(biāo)對象存在異常的檢測實(shí)例。

5.一種異常檢測模型的訓(xùn)練方法，所述異常檢測模型包括第一子模型和第二子模型，所述方法包括：

獲取包括視頻標(biāo)簽的視頻樣本，所述視頻標(biāo)簽用于指示所述視頻樣本中目標(biāo)對象是否存在異常；

對所述視頻樣本進(jìn)行預(yù)處理，得到多個(gè)管道級別的第一訓(xùn)練實(shí)例和多個(gè)視頻級別的第二訓(xùn)練實(shí)例，所述第一訓(xùn)練實(shí)例和所述第二訓(xùn)練實(shí)例均包括多個(gè)連續(xù)的圖像幀，所述第一訓(xùn)練實(shí)例中的所有圖像幀中包括所述目標(biāo)對象，所述第二訓(xùn)練實(shí)例中的部分圖像幀中包括所述目標(biāo)對象；

根據(jù)多個(gè)所述第一訓(xùn)練實(shí)例輸入至原始的第一子模型得到的第一分值集合，確定第一損失函數(shù)；根據(jù)多個(gè)所述第二訓(xùn)練實(shí)例輸入至原始的第二子模型得到的第二分值集合，確定第二損失函數(shù)；根據(jù)所述第一損失函數(shù)和所述第二損失函數(shù)，確定所述異常檢測模型的總損失函數(shù)；

在所述總損失函數(shù)收斂時(shí)，將當(dāng)前訓(xùn)練的第一子模型和當(dāng)前訓(xùn)練的第二子模型組合，得到所述異常檢測模型。

6.根據(jù)權(quán)利要求5所述的方法，其中，所述對所述視頻樣本進(jìn)行預(yù)處理，得到多個(gè)管道級別的第一訓(xùn)練實(shí)例，包括：

對所述視頻樣本中的每一個(gè)圖像幀進(jìn)行目標(biāo)檢測，將所述視頻樣本中所述目標(biāo)對象對應(yīng)的檢測框的圖像塊作為第一訓(xùn)練包，所述第一訓(xùn)練包包括多個(gè)所述第一訓(xùn)練實(shí)例。

7.根據(jù)權(quán)利要求5所述的方法，其中，所述對所述視頻樣本進(jìn)行預(yù)處理，得到多個(gè)視頻級別的第二訓(xùn)練實(shí)例，包括：

對所述視頻樣本按照預(yù)設(shè)長度均勻切分，得到多個(gè)等長度的視頻級別的第二訓(xùn)練實(shí)例。