CN113658115B 一种基于深度卷积生成对抗网络的图像异常检测方法 （华南理工大学）

一种基于深度卷积生成对抗网络的图像异本发明公开了一种基于深度卷积生成对抗积残差块的提取图像语义上下文信息的能力以用了多尺度的条状掩膜来移除图像的部分区域2获取公开的异常检测图像数据集，并划分为训练数据集集用于深度卷积生成对抗网络训练阶段，验证数据集用于深度卷积生成对抗网络验证阶将异常检测图像数据集的图像和掩膜通过缩放、逐根据训练目标以及模型的输入输出形式，构造出一个适用于编码器相当于一个特征提取网络，从输入图像中提洞卷积残差块的输入和输出都是512×64×64的低维编码特征；为实现从输入到输出的转编码器中相同，非线性激活函数层的激活函数替换为LeakyReLU，避免激活函数的死区问3入与输出相加的结果作为下一个空洞卷积残差块的输入的方式，将8个空洞卷积残差块堆解码器采用与编码器对称的结构，相当于一个特征恢复根据训练目标以及深度卷积生成对抗网络的架构，定义生成器所初始化深度卷积生成对抗网络中各个神经网络层的参数，并采用训练数据集进行训使用验证数据集对训练后的深度卷积生成对抗网络进行图像2.根据权利要求1所述的一种基于深度卷积生成对抗网络的图像异常检测方法，其特征在于，在步骤1)中，所述异常检测图像数据集包括三个公开数据集MNIST、CIFAR-10、所述条状掩膜为多尺度的条状掩膜，用于区43.根据权利要求1所述的一种基于深度卷积生成对抗网络的图像异常检测方法，其特2.1)将异常检测图像数据集中的图像和掩膜缩放到长和4.根据权利要求1所述的一种基于深度卷积生成对抗网络的图像异常检测方法，其特生成器用于将待重建图像进行修复从而得到的重建recli-代表重建图像和原始图像之间判别器的作用是判定重建图像是否属于原始图步骤4.1)中定义的重建损失函数和步骤4.2)中定义的对抗学习损失函数通过加权的55.根据权利要求1所述的一种基于深度卷积生成对抗网络的图像异常检测方法，其特各神经网络层的参数的初始化采用的是对卷积层和反卷积层的参数用均值为0、标准从步骤1)的训练数据集中随机抽取原始图像以及12张条状掩膜中随机抽取一张掩膜，重复步骤5.2)直到深度卷积生成对抗网络关于图像的异常检测的能力达到预期的目6[0002]图像异常检测是一种检测所给图像中是否存在异常样本以及指出异常样本的位[0004]无监督自重建的图像异常检测方法是指在训练时只采用正常样本对深度卷积神分性以及无法准确检测异常样本和定位异常7[0018]使用验证数据集对训练后的深度卷积生成对抗网络进行图像异常检测任务的验[0019]进一步，在步骤1)中，所述异常检测图像数据集包括三个公开数据集MNIST、够获得一对互补的掩膜，保证异常检测图像数据集中的图像的每个位置被擦除的概率相8个空洞卷积残差块的输入和输出都是512×64×64的低维编码特征；为实现从输入到输出输入与输出相加的结果作为下一个空洞卷积残差块的输入的方式，将8个空洞卷积残差块出的重建图像结果，使重建图像更接近原始图像；判别器的输入是一张3×512×512的图9recli-代表重建图像和原始图像失函数定义为二者的判定值的均值的差值；判别器要尽可能地区分重建图像和原始图像，[0047]步骤4.1)中定义的重建损失函数和步骤4.2)中定义的对抗学习损失函数通过加[0052]各神经网络层的参数的初始化采用的是对卷积层和反卷积层的参数用均值为0、[0054]从步骤1)的训练数据集中随机抽取原始图像以及12张条状掩膜中随机抽取一张建图像通过步骤4)计算对抗学习损失函数的值、重建损失函数的值以及总损失函数的值；[0056]重复步骤5.2)直到深度卷积生成对抗网络关于图像的异常检测的能力达到预期用于深度卷积生成对抗网络训练阶段和验证阶段；生成如图1所示的深度卷积生成对抗网常与异常类别的方式用于图像异常检测；MVTecAD是首个现实世界异常检测数据集；够获得一对互补的掩膜，保证异常检测图像数据集中的图像的每个位置被擦除的概率相连通编码器与解码器的作用。每个空洞卷积残差块的输入和输出都是512×64×64的低维通过将上一个空洞卷积残差块的输入与输出相加的结果作为下一个空洞卷积残差块的输rec失函数定义为二者的判定值的均值的差值；判别器要尽可能地区分重建图像和原始图像，[0092]步骤4.1中定义的重建损失函数和步骤4.2中定义的对抗学习损失函数通过加权[0097]各神经网络层的参数的初始化采用的是对卷积层和反卷积层的参数用均值为0、[0099]从步骤1的训练数据集中随机抽取原始图像以及12张条状掩膜中随机抽取一张掩学习损失的值通过反向传播能够得到步骤3判别器的各神经网络层的参数梯度，再通过随通过反向传播能够得到步骤3生成器的各神经网络层的参数梯度，再通过随机梯度下降法[0101]重复步骤5.2直到深度卷积生成对抗网络关于图像的异常检测的能力达到预期的[0102]步骤6，使用验证数据集对训练后的深度卷积生成对抗网络进行图像异常检测任[0103]随机从验证数据集中取出一些原始图像，每张原