[发明专利]基于零样本学习的图像异常检测方法

权利要求书

1.一种图像异常检测方法，包括：

获取测试图像；

将测试图像输入至自编码器，得到第一重构图像，其中，第一重构图像的表现形式为不带异常区域的图像，所述自编码器通过以下步骤训练得到：

第一步，在无异常数据集上训练编码器、判别器和解码器，自编码器的目标函数为：

L₃＝KL(Z，q)+λ₁×L₁+λ₂×L₂，

其中，L₃表示自编码器的目标函数，KL(z，q)表示中间特征集Z和样本q的相对熵，L₁表示判别器的目标函数，L₂表示解码器的目标函数，λ₁表示判别器的目标函数的权重，λ₂表示解码器的目标函数的权重，中间特征集z的生成方式为：z＝E_M(x)，E_M表示编码器，E_M(x)表示将样本集x输入至编码器得到的输出；

第二步，判别器T通过以下目标函数区分正样本和负样本：

其中，L₁表示判别器的目标函数，x表示样本集，z表示中间特征集，T()表示判别器的输出，T(x，z)表示正样本(x，z)经过拼接处理后输入判别器得到的结果，表示负样本经过所述拼接处理后输入判别器得到的结果，将样本集x与其生成的中间特征集z配对，得到的样本(x，z)定义为正样本，从去除样本集x的总样本集中，随机采样一个批量的样本集记为将中间特征集z中每一个特征图对应的均值和方差对(μ_b，c，σ_b，c)作为正态分布的参数，进行随机采样，生成该特征图大小的矩阵，其中该矩阵中的所有元素均服从参数为(μ_b，c，σ_b，c)的正态分布，最终得到特征集

第三步，重复执行第一步和第二步达预设次数以上，以确保网络收敛；

将第一重构图像输入至专家网络，得到第二重构图像，其中，第二重构图像的表现形式为不带异常区域的图像，所述专家网络通过以下过程得到：

在训练自编码器的过程中，对于每一个训练样本x，生成对应的无异常区域的图像m，专家网络以(m，x)形式的各个数据对为训练样本集进行监督学习，学习从M到X的映射，其中m∈M，M是m的集合，专家网络由一个编码器E_X和一个解码器D_X构成，其中，E_X由一个卷积神经网络后接若干个残差模块，最后通过一个自适应池化层组成，D_X由若干个残差模块后接一个卷积神经网络，然后跟一个1×1的卷积层，后接一个Sigmoid激活函数组成，E_X和D_X一起学习一个从M到X的映射，专家网络的目标函数为：

其中，L₄表示专家网络的目标函数，i表示图像通道的序号，x_i表示训练样本集中包括的第二个元素x的序号为i的训练样本的通道矩阵，表示训练样本集中序号为i的训练样本包括的第一个元素m对应的输出图像的通道矩阵，输出图像为将所述第一个元素m输入专家网络后得到的，|| ||₂表示矩阵的l₂范数，重复训练，直至网络收敛；

基于测试图像、第一重构图像、第二重构图像和知觉测量方法，生成异常分数矩阵，其中，所述知觉测量方法是通过以下公式实现的：

其中，e表示异常分数矩阵，l表示预设网络模型中隐藏层的序号，λ表示预设网络模型中的预设权重，λ_l表示预设网络模型中第l个隐藏层的预设权重，c表示预设网络模型中特征图的数目，c_l表示预设网络模型中第l个隐藏层中特征图的数目，x表示目标图像，m表示第一重构图像，表示第二重构图像，表示预设网络模型中特征空间上的距离矩阵，表示预设网络模型中第l个隐藏层的特征空间上的距离矩阵，表示将x和m分别输入预设网络模型时，在第l个隐藏层上生成的两个特征图集之间的距离，表示将x和分别输入预设网络模型时，在第l个隐藏层上生成的两个特征图集之间的距离，rescale()表示上采样，表示将距离矩阵与之和上采样至目标图像的尺寸，i^(l)表示预设网络模型中第l个隐藏层中特征图的序号，f()表示特征图对应的矩阵，表示第l个隐藏层第i个特征图对应的矩阵，| |表示逐元素取绝对值，表示对矩阵中的每一个元素取绝对值，表示对矩阵中的每一个元素取绝对值；

基于异常分数矩阵，生成异常区域信息。