基于卷積神經(jīng)網(wǎng)絡(luò)的圖像異常檢測方法

胡明輝 李俊 桂林電子科技大學(xué)

引言：異常的本質(zhì)性的定義是：異常是數(shù)據(jù)集中與眾不同的數(shù)據(jù)，這些數(shù)據(jù)并非隨機(jī)偏差，而是來自于完全不同的機(jī)制。

異常檢測的目標(biāo)是找出給出數(shù)據(jù)集中的異常，由于異常檢測任務(wù)中只有目標(biāo)樣本充分采樣，而異常往往欠采樣，故目前的異常檢測，一般均從已知的正常類數(shù)據(jù)中進(jìn)行學(xué)習(xí)，建立正常行為的模型來進(jìn)行異常檢測。

在圖像處理領(lǐng)域，異常的圖像是和大部分圖像都不太一樣的圖像，這些圖像的質(zhì)量往往是很差的，比如圖像模糊、顯示不全、噪聲嚴(yán)重等。異常檢測可以找出這些異常的圖像，方便下一步的處理。

1 直接概率密度比估計(jì)方法

利用概率密度比的方法來進(jìn)行異常檢測已被證明是一種很好的方法，通過求解正常樣本集與要檢測樣本集的概率密度比的值來判斷異常。根據(jù)異常的定義，異常一般發(fā)生在概率密度值很小的范圍內(nèi)，當(dāng)用正常樣本集的概率密度函數(shù)與要檢測樣本集的概率密度函數(shù)相比時(shí)，在異常處的概率密度比值會相對很小，這樣異常就會被檢測出來。

uLSIF（無限制條件的最小二乘擬合算法），就是用最小二乘方法對未知方程進(jìn)行擬合來求得方程的輸入對應(yīng)的輸出。無限制條件是指用最小二乘法擬合時(shí)的損失函數(shù)是沒有限制條件的二次凸函數(shù)，而且損失函數(shù)的罰項(xiàng)為二次正則項(xiàng)，可以對擬合方程進(jìn)行求導(dǎo)來求得擬合方程的系數(shù)矩陣，系數(shù)矩陣的值是非負(fù)的。

當(dāng)用uLSIF算法時(shí)，要求直接密度比估計(jì)，需要先假設(shè)估計(jì)模型，然后構(gòu)造代價(jià)函數(shù)用最小二乘法逼近真實(shí)值，當(dāng)代價(jià)函數(shù)最小時(shí)估計(jì)模型最優(yōu)。我們設(shè)概率密度比的估計(jì)為，定義損失函數(shù)為平方損失函數(shù)：，均方差：

又由于x為測試集樣本概率密度函數(shù)。所以：

J(α)為J0(α)忽略最后一項(xiàng)常數(shù)項(xiàng)后的值。J(α)可以認(rèn)為是兩個(gè)期望的相減。損失函數(shù)最終可以用表示（uLSIF準(zhǔn)則）：

2 基于CNN的直接密度比估計(jì)與異常檢測

用卷積神經(jīng)網(wǎng)絡(luò)(CNN)求解概率密度比時(shí)，根據(jù)uLSIF準(zhǔn)則，是估計(jì)的直接密度比函數(shù)，為總的損失函數(shù)。在CNN中對于單個(gè)的獨(dú)立樣本可以把損失函數(shù)等價(jià)為：

為了訓(xùn)練CNN求解直接概率密度比，要把訓(xùn)練集分成兩部分，一部分是全是正常樣本的標(biāo)準(zhǔn)集，另一部分既有正常樣本也有異常樣本，我們稱之為評價(jià)集。評價(jià)集包含訓(xùn)練集所有的異常樣本，其他的樣本從標(biāo)準(zhǔn)集中選取。

CNN根據(jù)反向傳播算法更新參數(shù)完成對網(wǎng)絡(luò)的訓(xùn)練。訓(xùn)練階段完成時(shí)，損失函數(shù)調(diào)節(jié)為最小，參數(shù)調(diào)節(jié)結(jié)束。對于每個(gè)評價(jià)樣本輸入到訓(xùn)練好的CNN，輸出是對樣本進(jìn)行求解的直接概率密度比估計(jì)值。

在測試階段，輸入測試樣本到已經(jīng)訓(xùn)練好的CNN，把求得的測試樣本對應(yīng)的直接概率密度比值小于閾值的檢測為異常。

3 結(jié)論

本文根據(jù)直接概率密度比估計(jì)用于異常檢測的思想，提出了使用卷積神經(jīng)網(wǎng)絡(luò)來求解概率密度比估計(jì)，再根據(jù)概率密度比估計(jì)值進(jìn)行圖像的異常檢測。該方法利用了卷積神經(jīng)網(wǎng)絡(luò)模擬函數(shù)和自動提取圖像特征的能力，比傳統(tǒng)方法在思想上更加簡潔、易于實(shí)施。