[发明专利]一种基于深度神经网络的图像离群点检测方法

权利要求书

1.一种基于深度神经网络的图像离群点检测方法，其特征在于：包括以下步骤：

(1)基于深度神经网络进行图像特征提取；

(2)基于步骤1提取的图像特征，利用基于中心点的聚类方法把图像聚成k组，在该聚类中，基于扩展熵的信息损失作为距离测度；

(3)在每个聚类中，挑选离群点图像。

2.根据权利要求1所述的基于深度神经网络的图像离群点检测方法，其特征在于：步骤1中，采用GoogLeNet模型抽取图像特征，利用imagenet数据库对GoogLeNet进行训练，训练后的模型用于图像特征的自动抽取，训练后的全连接层用做输入图像的特征。

3.根据权利要求2所述的基于深度神经网络的图像离群点检测方法，其特征在于：训练过程包括预训练阶段和微调阶段，在预训练阶段，ImageNet数据训练GoogLeNet得到ILSVRC模型，然后利用图像对网络进行微调，即利用已训练好的ILSVRC模型的权重，通过修改部分层参数的形式用少量样本进行训练，从而得到更加精确的图像特征提取模型。

4.根据权利要求1所述的基于深度神经网络的图像离群点检测方法，其特征在于：步骤2的具体过程为：

21)、将提取的图像特征组成数据集X＝{x₁，x₁，···，x_n}，其中n是数据点的个数，x_i∈{1,2，···n}是m维向量；

22)、指定聚类数K和截尾阈值ε，通过随机选择方式，选择K个数据点作为初始化聚类中心C⁰＝{C₁，C₂，···C_k}；

23)、根据式公式

计算每个数据点x_i∈{1,2，···n}与各个簇中心点C_j，j∈{1,2，···k}之间的信息损失量，式中r(y_pj)表示每个特征值的比值，该比值满足概率条件，即并且r(y_ij)≥0,j＝1,2,,n；r(y_cj)表示当当p,q∈{1,2,,n}合并成簇c时，簇c的联合概率，

r(ycj)=|yp||yp∪yq|r(ypj)+|yq||yp∪yq|r(yqj);]]>

设p¹，p²，···，p^k为k个空集，如果数据点x与中心向量c_i⁰的信息损失量最小，则将x添加到数据集pⁱ中；

24)、根据得到的数据集p¹，p²，···，p^k，根据公式

r(yj|c1∪c2)=Σi=1,2|ci||c1∪c2|r(yj|ci)]]>

重新计算各个簇的中心点C_j，c¹和c₂是数据向量的两个簇，然后将新的中心点反馈到初始的数据集，重复步骤23直到两次迭代得到的聚类中心之间的距离小于指定的截尾阈值ε，两次迭代的中心点之间的距离用Kull-back散度，

δ=Σi=1mxinewlogxinewxiold+Σi=1mxioldlogxioldxinew,]]>

其中和表示第i个元素的原值和新值。