[發明專利]基于互信息增強的自監督新穎性檢測方法

在審

• 申請號: 202110908117.X
• 申請日: 2021-08-09
• 公開（公告）號: CN113592016A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 何鳴;孫柳;張政超;王念濱;王紅濱;周連科;王勇
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 岳泉清

基于互信息增強的自監督新穎性檢測方法，涉及圖像處理領域。本發明是為了解決現有圖像新穎性檢測方法的重構效果不佳，難以對類內外圖像邊界進行區分，進而導致在復雜場景中檢測效果差的問題。本發明具體過程為：將待檢測的圖像輸入到訓練好的自監督新穎性檢測模型的自編碼網絡中進行新穎性檢測，獲得檢測結果。所述自監督新穎性檢測模型包括：自編碼網絡、隱鑒別器、鑒別器_、分類器；自編碼網絡包括：生成器和編碼器，用于對輸入的待檢測圖像數據進行重構；所述隱鑒別器用于與編碼器進行對抗訓練；所述鑒別器用于與生成器進行對抗訓練；分類器用于對生成器生成的圖像進行分類。本發明用于對圖像的新穎性進行檢測。

技術領域

本發明涉及圖像處理領域，具體涉及基于互信息增強的自監督新穎性檢測方法。

背景技術

新穎性檢測解決了如何判斷一個數據樣本相對于訓練數據是否為離群值的問題。在離群值的比例很小的情況下檢測效果十分顯著。例如欺詐性交易檢測，入侵檢測，視頻監控，醫學診斷和設備故障檢測等。與其他機器學習任務不同，在單類新穎性檢測中，我們在訓練時只觀察到單個類的樣本。在測試過程中，我們期望訓練的模型能夠識別出輸入到模型中的圖像是類內樣本還是類外樣本。由于問題的表述假設沒有任何負訓練數據，這在實踐中是一個非常難以解決的問題。

隨著深度學習的出現，單類新穎性檢測得到廣泛關注。近年來，深度自動編碼器及其變體在從復雜數據中尋找緊湊表示方面表現出了卓越的性能，基于自編碼器與生成對抗網絡聯合訓練的方法在近幾年發展迅速，重構誤差已被選為檢測樣本新穎性的常用指標。然而，目前基于自編碼器的新穎性檢測算法仍然存在重構效果不佳的缺陷，進而導致難以對類內外邊界進行較好的區分，在復雜場景中難以取得好的效果。

發明內容

本發明目的是為了解決現有圖像新穎性檢測方法的重構效果不佳，難以對類內外圖像邊界進行區分，進而導致在復雜場景中檢測效果差的問題，而提出了基于互信息增強的自監督新穎性檢測方法。

基于互信息增強的自監督新穎性檢測方法，具體過程為：

將待檢測的圖像輸入到訓練好的自監督新穎性檢測模型的自編碼器網絡中進行新穎性檢測，獲得檢測結果；

所述自監督新穎性檢測模型包括：自編碼器網絡、隱鑒別器D_z、鑒別器D_x、分類器Q；

所述自編碼器網絡包括：生成器G和編碼器E，用于對輸入的待檢測圖像數據進行重構；

所述編碼器E用于將待檢測圖像轉化為在潛在空間中對應的隱變量；

所述生成器用于將隱向量轉化為重構的圖像；

所述隱鑒別器D_z包括：3層全連接層，用于與編碼器E進行對抗訓練，使得潛在空間的分布近似于標準高斯分布

所述鑒別器D_x用于與生成器G進行對抗訓練，使得生成器可以更好的生成類內樣本；

分類器Q用于對生成器生成的圖像進行分類；

所述潛在空間是隱向量組成的空間，也就是編碼器和生成器中間的空間。

本發明的有益效果為：

本發明綜合提出一種基于互信息增強的自監督新穎性檢測模型，將自監督學習的標簽應用于InfoGAN中，本發明通過自監督學習使得編碼器學習到類內圖像數據的語義信息，降低了類內圖像數據重構誤差；其次，增大標簽與相應數據之間的互信息，通過標簽限制自編碼器網絡的輸出，增大了類外樣本的重構誤差。本發明加大類內外圖像樣本重構誤差的差距，使二者邊界更為清晰，進而更好的區分類內圖像樣本和類外圖像樣本，從而提升了在復雜場景中的檢測效果。

附圖說明

圖1是Protocol1下單類新穎性檢測的平均AUROC(MNIST)圖；