[发明专利]一种异常检测模型的训练方法、异常检测方法及装置

权利要求书

1.一种异常检测模型的训练方法，其特征在于，所述方法包括：

将样本图像输入异常检测模型，确定所述样本图像对应的第一概率向量，所述第一概率向量表示各异常类型的概率分布；

依据所述第一概率向量，确定所述异常检测模型的损失函数，并基于所述损失函数调整所述异常检测模型的参数；

对调整参数后的异常检测模型进行冻结，并将同一个样本图像多次输入到冻结的异常检测模型中，确定对应的多个第二概率向量；

确定各个第二概率向量对应的训练图像；

对所述冻结的异常检测模型解除冻结，将各个训练图像分别输入到解冻的异常检测模型中，确定每个所述训练图像对应的第三概率向量；

确定每两个第三概率向量之间的信息散度，并基于各个信息散度对所述解冻的异常检测模型进行参数调整，得到训练完成的异常检测模型。

2.根据权利要求1所述的异常检测模型的训练方法，其特征在于，所述确定各个第二概率向量对应的训练图像，包括：

确定各个第二概率向量对应的梯度图像；

将每个梯度图像分别与同一个样本图像进行掩码操作，得到多个训练图像。

3.根据权利要求2所述的异常检测模型的训练方法，其特征在于，所述将每个梯度图像分别与同一个样本图像进行掩码操作，得到多个训练图像，包括：

将各个梯度图像作为掩码图像，并分别与同一个样本图像进行乘法运算，得到多个训练图像。

4.根据权利要求2所述的异常检测模型的训练方法，其特征在于，所述确定各个第二概率向量对应的梯度图像，包括：

依据各个第二概率向量，确定出同一个样本图像的真实类型所对应的目标特征向量；

分别通过各目标特征对同一个样本图像进行求导，得到多个求导图像；

将各个求导图像分别进行归一化，得到每个第二概率向量对应的梯度图像。

5.根据权利要求1所述的异常检测模型的训练方法，其特征在于，所述基于各个信息散度对所述解冻的异常检测模型进行参数调整，得到训练完成的异常检测模型，包括：

依据各个信息散度，通过梯度下降法对所述解冻的异常检测模型进行参数调整，直到所述信息散度符合第一预设条件，得到训练完成的异常检测模型。

6.一种异常检测方法，其特征在于，所述方法包括：

获取待检测图像；

将所述待检测图像输入异常检测模型中，确定所述待检测图像对应的目标异常类型，所述异常检测模型经过第一阶段和第二阶段训练得到，在第一阶段中，根据样本图像得到的损失函数调整所述异常检测模型的参数，在第二阶段中冻结调整参数后的异常检测模型，确定同一个样本图像对应的多个训练图像，并依据解冻的异常检测模型得到的所述训练图像对应的信息散度，对所述解冻的异常检测模型进行参数调整。

7.一种异常检测模型的训练装置，其特征在于，所述装置包括：

图像输入模块，用于将样本图像输入异常检测模型，确定所述样本图像对应的第一概率向量，所述第一概率向量表示各异常类型的概率分布；

第一参数调整模块，用于依据所述第一概率向量，确定所述异常检测模型的损失函数，并基于所述损失函数调整所述异常检测模型的参数；

第二概率确定模块，用于对调整参数后的异常检测模型进行冻结，并将同一个样本图像多次输入到冻结的异常检测模型中，确定对应的多个第二概率向量；

训练图像生成模块，用于确定各个第二概率向量对应的训练图像；

第三概率确定模块，用于对所述冻结的异常检测模型解除冻结，将各个训练图像分别输入到解冻的异常检测模型中，确定每个所述训练图像对应的第三概率向量；

第二参数调整模块，用于确定每两个第三概率向量之间的信息散度，并基于各个信息散度对所述解冻的异常检测模型进行参数调整，得到训练完成的异常检测模型。