[發明專利]異常檢測模型的訓練方法及使用此方法的電子裝置

在審

• 申請號: 202010800796.4
• 申請日: 2020-08-11
• 公開（公告）號: CN112801122A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 朱仕任
• 申請（專利權）人: 和碩聯合科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 隆天知識產權代理有限公司 72003
• 代理人: 聶慧荃;閆華

1.一種異常檢測模型的訓練方法，用于一電子裝置，其特征在于，該異常檢測模型包括一生成網絡模型及一鑒別網絡模型，且該訓練方法包括：

將多個原始圖像的其中一者及多個任務信息的其中一者作為一訓練樣本；

將該訓練樣本輸入至該生成網絡模型及該鑒別網絡模型以運算出對應于該訓練樣本的多個網絡損失結果；以及

若該訓練樣本的原始圖像與該訓練樣本的任務信息不匹配，則根據所述多個網絡損失結果的倒數加權后相加得到一第一損失函數，并依據該第一損失函數訓練該生成網絡模型。

2.如權利要求1所述的異常檢測模型的訓練方法，其特征在于，還包括若該訓練樣本的原始圖像與該訓練樣本的任務信息相匹配，則根據所述多個網絡損失結果計算一第二損失函數，并依據該第二損失函數訓練該生成網絡模型。

3.如權利要求1所述的異常檢測模型的訓練方法，其特征在于，將所述多個原始圖像的其中一者及所述多個任務信息的其中一者作為該訓練樣本的步驟包括：

對該任務信息進行編碼以得到一任務編碼；以及

將該原始圖像及該任務編碼作為該訓練樣本。

4.如權利要求1所述的異常檢測模型的訓練方法，其特征在于，還包括：

將一訓練畫面劃分為所述多個原始圖像；以及

將所述多個原始圖像位于該訓練畫面的位置信息作為所述多個任務信息。

5.如權利要求1所述的異常檢測模型的訓練方法，其特征在于，將該訓練樣本輸入至該生成網絡模型及該鑒別網絡模型以運算出對應于該訓練樣本的所述多個網絡損失結果的步驟包括：

將該訓練樣本的該原始圖像輸入該生成網絡模型以運算出一第一潛在向量；

將該訓練樣本的該任務信息與該第一潛在向量合并以得到一合并后潛在向量；

將該合并后潛在向量通過該生成網絡模型運算出一重建圖像及一第二潛在向量；

將該原始圖像及該重建圖像輸入該鑒別網絡模型以分別運算出一第一特征向量及一第二特征向量；以及

根據該第一潛在向量、該第二潛在向量、該原始圖像、該重建圖像、該第一特征向量及該第二特征向量計算所述多個網絡損失結果。

6.如權利要求5所述的異常檢測模型的訓練方法，其特征在于，還包括：

將該訓練樣本的該任務信息與該第一特征向量或該第二特征向量合并，以得到一合并后特征向量；以及

將該合并后特征向量通過該鑒別網絡模型進行運算以得到一鑒別結果，并依據該鑒別結果訓練該鑒別網絡模型。

7.一種電子裝置，其特征在于，包括：

一存儲器，用以存儲多個原始圖像及多個任務信息；以及

一處理器，耦接該存儲器，用以運行一異常檢測模型，其中該異常檢測模型包括一生成網絡模型及一鑒別網絡模型，該處理器用以執行以下步驟：

將所述多個原始圖像的其中一者及所述多個任務信息的其中一者作為一訓練樣本；

將該訓練樣本輸入至該生成網絡模型及該鑒別網絡模型以運算出對應于該訓練樣本的多個網絡損失結果；以及

若該訓練樣本的原始圖像與該訓練樣本的任務信息不匹配，則根據所述多個網絡損失結果倒數加權后相加得到一第一損失函數，并依據該第一損失函數訓練該生成網絡模型。

8.如權利要求7所述的電子裝置，其特征在于，該處理器更用以執行以下步驟：若該訓練樣本的原始圖像與該訓練樣本的任務信息相匹配，則根據所述多個網絡損失結果計算一第二損失函數，并依據該第二損失函數訓練該生成網絡模型。

9.如權利要求7所述的電子裝置，其特征在于，該處理器對該任務信息進行編碼以得到一任務編碼，并將該原始圖像及該任務編碼作為該訓練樣本。

10.如權利要求7所述的電子裝置，其特征在于，該處理器將一訓練畫面劃分為所述多個原始圖像，將所述多個原始圖像位于該訓練畫面的位置信息作為所述多個任務信息，并將所述多個原始圖像及所述多個任務信息存儲在該存儲器。