[发明专利]图片检测方法、图片检测模型的训练方法及装置

说明书

本发明提供了一种图片检测方法、图片检测模型的训练方法及装置，涉及图片检测的技术领域，该图片检测方法包括：获取待测图片；将待测图片输入至预先建立的图片检测模型，以通过图片检测模型输出待测图片对应的重建图片；计算待测图片与重建图片的重建误差；基于重建误差对图片进行检测。本发明提供的图片检测方法、图片检测模型的训练方法及装置，由于图片检测模型配置有多层次特征空间及分布约束的自编码器网络结构，从而提高了从输入图片到特征空间的映射复杂性，使得异常样本更易落在正常样本的特征空间之外，减少正常样本跟异常样本之间的混淆，提高了异常检测的准确率。

技术领域

本发明涉及图片检测的技术领域，尤其是涉及一种图片检测方法、图片检测模型的训练方法及装置。

背景技术

异常图片检测旨在识别、检测出给定图片集合中不符合预期模式或不同于数据集中其他正常图片的异常图片样本。在实际应用中，图片异常存在着无数种不同的情况，无法提前准确、全面地预测每一种可能出现的情况。

此外，数据集合中绝大多数都是正常样本，异常样本的数量相比之下十分稀少，正负样本的比例严重失衡且获得异常样本的成本非常高昂。因此，不同于一般的可以依靠大量标记训练数据以监督方式解决的计算机视觉任务，异常图片检测任务通常采用无监督的方式解决。

近年来，在无监督异常图片检测领域，主要使用的是基于图片重建的方法，但是这种方式通常仅考虑给定的图片样本在单一层次下的特征表示，难以对同一图片所具有的不同层次的信息进行充分考虑，因而也难以在单一层次特征空间中有效地区分正常样本和异常样本，易造成混淆，引发误判，降低异常检测的准确率。

发明内容

有鉴于此，本发明的目的在于提供一种图片检测方法、图片检测模型的训练方法及装置，以缓解上述技术问题。

第一方面，本发明实施例提供了一种图片检测方法，包括：获取待测图片；将所述待测图片输入至预先建立的图片检测模型，以通过所述图片检测模型输出所述待测图片对应的重建图片；其中，所述图片检测模型配置有多层次特征空间及分布约束的自编码器网络结构；计算所述待测图片与所述重建图片的重建误差；基于所述重建误差对所述图片进行检测。

优选地，在一种可能的实施方式中，上述多层次特征空间及分布约束的自编码器网络结构包括多层次自编码器结构以及多层次解码器结构，其中，所述多层次自编码器结构包括多层次特征空间；将所述待测图片输入至预先建立的图片检测模型，以通过所述图片检测模型输出所述待测图片对应的重建图片的步骤包括：将所述待测图片输入至所述多层次自编码器结构，通过所述多层次自编码器结构将所述待测图片嵌入到所述多层次特征空间，得到所述待测图片的特征分布；将所述待测图片的特征分布与所述多层次特征空间中预先配置的先验分布进行特征拟合；将特征拟合的结果输入至所述多层次解码器结构进行图片重组，以生成所述待测图片对应的重建图片。

优选地，在一种可能的实施方式中，上述多层次自编码器结构为基于卷积神经网络的编码器结构，且，所述多层次自编码器结构包括至少一个卷积结构，所述卷积结构包括预设卷积层和激活层，且，所述卷积层设置有预设的卷积核和步长；将所述待测图片输入至所述多层次自编码器结构，通过所述多层次自编码器结构将所述待测图片嵌入到所述多层次特征空间，得到所述待测图片的特征分布的步骤包括：将所述待测图片输入至所述多层次自编码器结构，通过至少一个所述卷积结构得到所述待测图片的层次特征信息；将所述层次特征信息嵌入至所述多层次特征空间，以得到所述待测图片的特征分布，其中，所述特征分布包括所述待测图片的低阶表示和所述待测图片的高阶表示。

优选地，在一种可能的实施方式中，上述多层次特征空间还包括高阶特征判别器和低阶特征判别器；将所述待测图片的特征分布与所述多层次特征空间中预先配置的先验分布进行特征拟合的步骤包括：将所述待测图片的特征分布中所包括的低阶表示输入至所述低阶特征判别器，以及，将所述待测图片的特征分布中所包括的高阶表示输入至所述高阶特征判别器；通过所述高阶特征判别器、所述低阶特征判别器和所述多层次特征空间中预先配置的先验分布对所述待测图片的特征分布进行拟合。