[发明专利]利用异常样本的边界引导式异常检测方法、装置与介质

说明书

本发明公开一种利用异常样本的边界引导式异常检测方法、装置与介质，包括获取正常样本和异常样本，对异常样本通过随机增强的剪切粘贴方法进行增广；利用预训练模型分别提取正常和异常样本特征，获得正常和异常特征；学习正常特征分布；确定正常分离边界和异常分离边界；基于正常特征、异常特征、正常分离边界和异常分离边界，通过边界引导的半推半拉法训练模型学习更具有鉴别性的特征；利用经过边界引导训练后的模型估计对数似然作为异常得分，检测出异常样本。本发明利用异常样本来进行边界引导优化，有利于学习更具有鉴别性的特征，形成一个更明确而紧凑的决策边界，从而提高异常检测的准确性，更加适合于工业视觉及公共安防等场景中的应用。

技术领域

本发明涉及图像处理技术领域，具体地说，是一种图像异常检测方法、装置与介质。

背景技术

异常检测是计算机视觉领域中的热门研究方向，在公共安防、金融监管、网络安全、电商交易、工业缺陷检测等领域都具有很高的商业价值和应用价值。

异常检测的方法可以分为无监督的方法和有监督的方法。由于异常样本的缺失，异常检测的主流方法为无监督学习，即只从正常样本中学习。主流方法包括基于自动编码器网络、生成对抗网络和单类分类的方法。最近，大多数优秀的方法利用预先训练的深度模型，如DeepKNN、GaussianAD、SPADE、PaDiM和PatchCore。另一些方法基于知识蒸馏、特征重建和归一化流来实现异常检测。

上述无监督方法聚焦于正常样本，忽略了异常样本。然而，只从正常样本中学习可能导致模型的判别性能不足。如果没有有效的鉴别能力，检测器的泛化能力就会受到限制，当面对未见过的异常样本时会诱发大量的假阴性和假阳性。

近年来，国内外学者开始研究利用监督学习来进行异常检测，最先进的方法包括离群点暴露和深度半监督异常检测。Hendrycks等人提出了离群点暴露的方法，将大规模数据集中的随机自然图像称为离群点暴露，并探索利用这些数据来改善无监督异常检测。该方法利用成千上万的离群点暴露样本，在标准的异常检测基准上取得最先进的结果。DeepSAD是通过将无监督的DeepSVDD方法推广到半监督的异常检测环境中，而建立的第一个利用少数异常样本的深度模型。Ruff等人在交叉熵分类的基础上进一步修改了DeepSAD，集中了正常样本，这一修改大大提升了DeepSAD的性能。FCDD提出了扩展伪Huber损失来构建一个半监督的异常定位框架。

然而，已知的异常样本不能代表所有种类的异常样本。上述监督方法可能导致模型对已知异常样本产生偏差，而不能推广到未知的异常样本。

发明内容

针对现有技术中基于监督学习的异常检测方法存在的上述不足，本发明的目的是提出一种利用异常样本的边界引导式异常检测方法、装置和介质。

本发明的第一方面，提供一种利用异常样本的边界引导式异常检测方法，包括：

获取正常样本和异常样本，对所述异常样本通过随机增强的剪切粘贴方法进行增广；

利用预训练模型分别提取正常样本和异常样本特征，获得正常特征和异常特征；

学习所述正常特征，获得正常特征分布；

基于所述正常特征分布，确定正常分离边界和异常分离边界；

基于所述正常特征、异常特征、正常分离边界和异常分离边界，通过边界引导的半推半拉法训练模型，学习更具有判别性的特征；

利用经过边界引导训练后的所述模型估计对数似然作为异常得分，检测出异常样本。

优选地，所述对所述异常样本通过随机增强的剪切粘贴方法进行增广，包括：

基于多个图像变换和每个图像变换的应用概率，构建增强集；

对每个异常样本随机选择所述增强集中的增强子集应用变换，获得增强的异常样本；