CN108009628A - 一种基于生成对抗网络的异常检测方法 - Google Patents

一种基于生成对抗网络的异常检测方法 Download PDF

Info

Publication number
CN108009628A
CN108009628A CN201711032917.XA CN201711032917A CN108009628A CN 108009628 A CN108009628 A CN 108009628A CN 201711032917 A CN201711032917 A CN 201711032917A CN 108009628 A CN108009628 A CN 108009628A
Authority
CN
China
Prior art keywords
network
image
abnormal
anomaly detection
generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711032917.XA
Other languages
English (en)
Other versions
CN108009628B (zh
Inventor
应娜
蒋威
郭春生
黄铎
王金华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Electronic Science and Technology University
Original Assignee
Hangzhou Electronic Science and Technology University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Electronic Science and Technology University filed Critical Hangzhou Electronic Science and Technology University
Priority to CN201711032917.XA priority Critical patent/CN108009628B/zh
Publication of CN108009628A publication Critical patent/CN108009628A/zh
Application granted granted Critical
Publication of CN108009628B publication Critical patent/CN108009628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于生成对抗网络的异常检测方法,包括步骤:S1:处理语义分割图像数据集,得到满足原始图像的数据集和Mask图像的数据集;S2:建立包括生成网络和鉴别网络的异常检测生成对抗网络结构;S3:训练所述满足原始图像的数据集和Mask图像的数据集,得到异常检测的生产对抗网络模型;S4:输入原始图像,得到特定异常类型的图像。本发明与现有技术相比有如下优点:1.本发明以异常部分图像作为模型训练目标,不同于传统异常检测方法,以异常部分具体定位信息作为训练目标,使得图像异常部分更加直观性。2.本发明建立生成对抗网络模型,不同于传统异常检测方法单一一体的网络结构。弥补了无法输出异常部分的图像的缺点。

Description

一种基于生成对抗网络的异常检测方法
技术领域
本发明属于GAN的图像处理领域,主要涉及街道户外异常检测,具体来说,即基于生产对抗网络的街道异常检测方法。
背景技术
生成对抗网络GAN是一种生成对抗模型,受到博弈论影响,模型通常由一个生成器和一个鉴别器构成。生成器捕获真实数据的潜在分布,并且生成新的数据样本;鉴别器是二分器,鉴别输入数据为真是数据还是由生成器生成的样本。传统的生成对抗网络旨在从随机高斯噪声中捕获真实数据分布,其目的为生成足以以假乱真的图片。生成器和鉴别器网络结构均为卷积神经网络。
生成对抗网络涉及图像翻译领域,将真实图片作为生成对抗网络输入,生成网络输出另一张图片。图片的真实性决定了生成对抗网络的性能与否。
异常检测是在真实数据中不符合其他物体,项目的识别。训练异常检测模型方法一般分为三类:无监督异常检测、监督异常检测和半监督异常检测。通常选择监督异常检测方法,训练得到输出图像中目标具体定位信息的模型。
发明内容
针对上述异常检测方法中,网络结构均为单一一体化的卷积网络,并不涉及生成对抗网络中存在两个互相对抗的网络结构,无法提供图像中异常部分的Mask区域等问题。提出了基于生成对抗的思想,结合目标检测方法,检测图像中异常部分。生成对抗思想弥补异常检测中无法生成异常Mask区域缺点。异常检测思想弥补生成对抗网络只能从噪声中恢复图像,以达到在图像翻译领域,输出异常Mask区域。
本发明采取如下技术方案:
一种基于生成对抗网络的异常检测方法,包括步骤:
S1:处理语义分割图像数据集,得到满足原始图像的数据集和Mask图像的数据集;
S2:建立包括生成网络和鉴别网络的异常检测生成对抗网络结构;
S3:训练所述满足原始图像的数据集和Mask图像的数据集,得到异常检测的生产对抗网络模型;
S4:输入原始图像,得到特定异常类型的图像。
优选的,所述步骤S3具体实施步骤如下:
S3.1:鉴别网络输出关于异常部分图像占Mask图像的第一真假可能性和网络中间层特征参数;
S3.2:生成网络生成异常部分图像,输入所述异常部分图像到鉴别网络,输出关于异常部分图像的异常可能性;输入Mask图像到鉴别网络,输出关于Mask图像的真实可能性和真实图像特征参数,并更新鉴别网络的鉴别网络参数;
S3.3:再次输入异常部分图像到鉴别网络,输出关于异常部分图像的异常可能性和异常图像特征参数,并更新生成网络的生成网络参数。
优选的,所述数据集还进行异常类型的制定。指定原始图像的数据集中异常类型(如车),得到关于异常类型的Mask数据集。
优选的,
所述生成网络,包括提取特征网络和图像生成网络;
所述鉴别网络,用于保证网络训练可靠性。
所述生成网络,结构中包含卷积层,反卷积层,LR层以及B层;
所述鉴别网络,结构中包含卷积层,LR层以及B层。
以下是本发明一种优选方案:
一种基于生成对抗网络的异常检测方法,按如下步骤进行:
1.处理语义分割图像数据集,得到满足原始图像I和Mask图像Imask数据集。异常类型由数据集制定,例如指定图像异常为行人,则Mask图像Imask为图像I的行人Mask;
2.建立异常检测生成对抗网络结构,包括生成网络G,鉴别网络D。其中生成网络包括提取特征网络G1和图像生成网络G2;鉴别网络D输出关于异常部分图像占Mask图像Ifakemask/mask的第一真假可能性Pfake/real和网络中间层特征参数fmfake/real=[fm1,fm2,fm3],以保证网络训练可靠性;
3.训练过程中,生成网络G根据原始图像I生成异常部分图像Ifakemask,输入异常部分图像Ifakemask到鉴别网络D,输出关于异常部分图像Ifakemask的异常可能性Pfake;输入Mask图像Imask到鉴别网络D,输出关于Mask图像Imask的真实可能性Preal和真实图像特征参数fmreal=[fm1,fm2,fm3]。根据以下公式,更新鉴别网络D的鉴别网络参数:
lossD=-(log(1-Pfake)+log(Preal))
再一次输入异常部分图像Ifakemask到鉴别网络D,输出关于异常部分图像Ifakemask的异常可能性Pfake和异常图像特征参数fmfake=[fm1,fm2,fm3]。为异常部分图像Ifakemask生成的准确性,结合步骤3得到的真实图像特征参数,根据以下公式,更新生成网络G的生成网络参数:
lossG=-log(Pfake)+Average((fmfake-fmreal)2)
Average为计算均值。
4.利用步骤1,2,3可训练得到异常检测模型,输入原始图像I,输出原始图像I的特定异常类型图像。达到异常检测的目的。
本发明通过生成网络G的网络G1部分提取输入原始图像I特征,生成网络G的图像生成网络G2部分生成异常部分图像Ifakemask,作为原始图像I的异常部分图像。鉴别网络D生成异常部分图像Ifakemask和Mask图像Imask,通过特定的误差公式,以达到生成网络进行异常检测的目的。
本发明与现有技术相比有如下优点:
1.本发明以异常部分Mask图像作为模型训练目标,不同于传统异常检测方法,以异常部分具体定位信息作为训练目标,使得图像异常部分更加直观性。
2.本发明建立生成对抗网络模型,不同于传统异常检测方法单一一体的网络结构。弥补了无法输出异常部分的Mask图像的缺点。
附图说明
下面结合附图对本发明作进一步描述。
图1是数据集示例图;
图2是生成网络G的结构图;
图3是鉴别网络D的结构图;
图4是生成对抗网络结构模型的流程图;
图5是生成对抗异常检测的结果图。
具体实施方式
以下参考附图,对本发明的进一步详细阐述。
现有异常检测模型,以异常具体定位信息作为训练目标。提取真实图片特征信息,得到异常部分坐标信息。不同于传统的模型训练方法,基于生成对抗的异常检测模型以图像异常的Mask部分作为训练目标。为此本发明在现有Cityscapes数据集技术局基础上,处理得到现有可用于训练数据集。数据集示例图,如图1所示。
基于生成对抗的异常检测模型的网络结构,由生成网络G,鉴别网络D组成。为使生成网络G更好的提取特征和生成异常部分图像Ifakemask,定义生成网络G的结构,如图2所示。鉴别网络D提取Mask图像特征,鉴别分析生成网络G生成异常部分图像Ifakemask和Mask图像Imask的真实性与否,同时指导生成网络G的生成图像任务。定义鉴别网络D的结构如图3所示。
不同于传统生成对抗网络,基于生成对抗网络的异常检测模型要求生成网络G输出图像的真实性和准确性。鉴别网络D指导生成网络G的生成图像任务,要求鉴别网络输出第一真假可能性Pfake/real,同时获取鉴别网络G的网络中间层特征参数fmfake/real=[fm1,fm2,fm3]。在传统生成对抗网络误差函数基础上定义,鉴别网络参数公式和生成网络参数公式:
lossD=-(log(1-Pfake)+log(Preal))
lossG=-log(Pfake)+Average((fmfake-fmreal)2)
由此,本发明提出了基于生成对抗网络的异常检测模型。模型结构如图4所示,模型训练阶段运行流程包括以下步骤:
1、输入原始图像I到生成网络G,G提取图像特征和恢复异常部分图像Ifakemask
2、输入异常部分图像Ifakemask和Mask图像Imask到鉴别网络D,输出两者的真假可能性和图像卷积特征;
3、根据相应误差公式更新生成网络和鉴别网络的网络权值。
模型实际使用流程,输入真实图像到生成网络G,即可得到异常部分图像Ifakemask。其效果图如图5所示。
本发明公开了一种基于生成对抗网络的异常检测方法,涉及街道户外异常检测,使得异常检测结果更加直观。其实现过程是:在原始图像的数据集和Mask图像的数据集基础上训练得到生成对抗网络结构的模型,生成对抗网络结构包括生成网络和鉴别网络两部分,生成网络生成异常部分图像,鉴别网络利用Mask图像和异常部分图像,结合生成对抗思想,训练生成网络。最终达到原始图像经由该模型输出其Mask的目的。有效提高了异常检测的直观性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于生成对抗网络的异常检测方法,其特征在于,包括步骤:
S1:处理语义分割图像数据集,得到满足原始图像的数据集和Mask图像的数据集;
S2:建立包括生成网络和鉴别网络的异常检测生成对抗网络结构;
S3:训练所述满足原始图像的数据集和Mask图像的数据集,得到异常检测的生产对抗网络模型;
S4:输入原始图像,得到特定异常类型的图像。
2.如权利要求1所述的一种基于生成对抗网络的异常检测方法,其特征在于,所述步骤S3具体实施步骤如下:
S3.1:鉴别网络输出关于异常部分图像占Mask图像的第一真假可能性和网络中间层特征参数;
S3.2:生成网络生成异常部分图像,输入所述异常部分图像到鉴别网络,输出关于异常部分图像的异常可能性;输入Mask图像到鉴别网络,输出关于Mask图像的真实可能性和真实图像特征参数,并更新鉴别网络的鉴别网络参数;
S3.3:再次输入异常部分图像到鉴别网络,输出关于异常部分图像的异常可能性和异常图像特征参数,并更新生成网络的生成网络参数。
3.如权利要求1所述的一种基于生成对抗网络的异常检测方法,其特征在于:
所述原始图像的数据集还进行异常类型的制定。
4.如权利要求1所述的一种基于生成对抗网络的异常检测方法,其特征在于:
所述生成网络,包括提取特征网络和图像生成网络;
所述鉴别网络,用于保证网络训练可靠性。
5.如权利要求4所述的一种基于生成对抗网络的异常检测方法,其特征在于:
所述生成网络,结构中包含卷积层,反卷积层,LR层以及B层;
所述鉴别网络,结构中包含卷积层,LR层以及B层。
CN201711032917.XA 2017-10-30 2017-10-30 一种基于生成对抗网络的异常检测方法 Active CN108009628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711032917.XA CN108009628B (zh) 2017-10-30 2017-10-30 一种基于生成对抗网络的异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711032917.XA CN108009628B (zh) 2017-10-30 2017-10-30 一种基于生成对抗网络的异常检测方法

Publications (2)

Publication Number Publication Date
CN108009628A true CN108009628A (zh) 2018-05-08
CN108009628B CN108009628B (zh) 2020-06-05

Family

ID=62051152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711032917.XA Active CN108009628B (zh) 2017-10-30 2017-10-30 一种基于生成对抗网络的异常检测方法

Country Status (1)

Country Link
CN (1) CN108009628B (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108769993A (zh) * 2018-05-15 2018-11-06 南京邮电大学 基于生成对抗网络的通信网络异常用户检测方法
CN109166102A (zh) * 2018-07-24 2019-01-08 中国海洋大学 一种基于判别区域候选对抗网络的图像转图像翻译方法
CN109242841A (zh) * 2018-08-30 2019-01-18 广东工业大学 一种基于生成对抗网络的输电杆塔缺陷检测方法
CN109325951A (zh) * 2018-08-13 2019-02-12 深圳市唯特视科技有限公司 一种基于生成对抗网络的转化和分割医学卷的方法
CN109360188A (zh) * 2018-09-13 2019-02-19 西南交通大学 一种高铁接触网等电位线不良状态的检测方法
CN109583474A (zh) * 2018-11-01 2019-04-05 华中科技大学 一种用于工业大数据处理的训练样本生成方法
CN109584221A (zh) * 2018-11-16 2019-04-05 聚时科技(上海)有限公司 一种基于监督式生成对抗网络的异常图像检测方法
CN109685097A (zh) * 2018-11-08 2019-04-26 银河水滴科技(北京)有限公司 一种基于gan的图像检测方法及装置
CN109829895A (zh) * 2019-01-09 2019-05-31 武汉精立电子技术有限公司 一种基于gan的aoi缺陷检测方法
CN109886936A (zh) * 2019-01-28 2019-06-14 深圳大学 一种低对比度缺陷检测方法和装置
CN109949305A (zh) * 2019-03-29 2019-06-28 北京百度网讯科技有限公司 产品表面缺陷检测方法、装置及计算机设备
CN110211114A (zh) * 2019-06-03 2019-09-06 浙江大学 一种基于深度学习的装箱缺条视觉检测方法
CN111062918A (zh) * 2019-12-10 2020-04-24 歌尔股份有限公司 一种基于计算机视觉的异常检测方法及装置
CN111126566A (zh) * 2019-11-29 2020-05-08 江苏艾佳家居用品有限公司 基于gan模型的异常家具布局数据检测方法
CN111508588A (zh) * 2019-01-30 2020-08-07 富士通株式会社 训练装置、训练方法和计算机可读记录介质
CN112069795A (zh) * 2020-08-28 2020-12-11 平安科技(深圳)有限公司 基于掩码语言模型的语料检测方法、装置、设备及介质
CN112561383A (zh) * 2020-12-24 2021-03-26 航天科工网络信息发展有限公司 一种基于生成对抗网络的实时异常检测方法
CN112882382A (zh) * 2021-01-11 2021-06-01 大连理工大学 一种评价分类深度神经网络鲁棒性的几何方法
CN113077013A (zh) * 2021-04-28 2021-07-06 上海联麓半导体技术有限公司 基于生成对抗网络的高维数据故障异常检测方法及系统
CN113920080A (zh) * 2021-09-30 2022-01-11 国网浙江省电力有限公司宁波供电公司 一种基于生成对抗网络的电网故障定位方法
CN115589608A (zh) * 2022-12-05 2023-01-10 合肥工业大学 物联网数据异常检测模型训练方法、异常检测方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6754380B1 (en) * 2003-02-14 2004-06-22 The University Of Chicago Method of training massive training artificial neural networks (MTANN) for the detection of abnormalities in medical images
US20130070983A1 (en) * 2011-09-15 2013-03-21 Mckesson Financial Holdings Methods, apparatuses, and computer program products for controlling luminance of non-tissue objects within an image
US20160139977A1 (en) * 2013-07-01 2016-05-19 Agent Video Intelligence Ltd. System and method for abnormality detection
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107220929A (zh) * 2017-06-23 2017-09-29 深圳市唯特视科技有限公司 一种使用循环一致对抗网络的非成对图像转化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6754380B1 (en) * 2003-02-14 2004-06-22 The University Of Chicago Method of training massive training artificial neural networks (MTANN) for the detection of abnormalities in medical images
US20130070983A1 (en) * 2011-09-15 2013-03-21 Mckesson Financial Holdings Methods, apparatuses, and computer program products for controlling luminance of non-tissue objects within an image
US20160139977A1 (en) * 2013-07-01 2016-05-19 Agent Video Intelligence Ltd. System and method for abnormality detection
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法
CN107016406A (zh) * 2017-02-24 2017-08-04 中国科学院合肥物质科学研究院 基于生成式对抗网络的病虫害图像生成方法
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107220929A (zh) * 2017-06-23 2017-09-29 深圳市唯特视科技有限公司 一种使用循环一致对抗网络的非成对图像转化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
THOMAS SCHLEGL ET AL.: "Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery", 《ARXIV》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108769993A (zh) * 2018-05-15 2018-11-06 南京邮电大学 基于生成对抗网络的通信网络异常用户检测方法
CN109166102A (zh) * 2018-07-24 2019-01-08 中国海洋大学 一种基于判别区域候选对抗网络的图像转图像翻译方法
CN109325951A (zh) * 2018-08-13 2019-02-12 深圳市唯特视科技有限公司 一种基于生成对抗网络的转化和分割医学卷的方法
CN109242841A (zh) * 2018-08-30 2019-01-18 广东工业大学 一种基于生成对抗网络的输电杆塔缺陷检测方法
CN109360188A (zh) * 2018-09-13 2019-02-19 西南交通大学 一种高铁接触网等电位线不良状态的检测方法
CN109583474A (zh) * 2018-11-01 2019-04-05 华中科技大学 一种用于工业大数据处理的训练样本生成方法
CN109583474B (zh) * 2018-11-01 2022-07-05 华中科技大学 一种用于工业大数据处理的训练样本生成方法
CN109685097A (zh) * 2018-11-08 2019-04-26 银河水滴科技(北京)有限公司 一种基于gan的图像检测方法及装置
CN109584221B (zh) * 2018-11-16 2020-07-28 聚时科技(上海)有限公司 一种基于监督式生成对抗网络的异常图像检测方法
CN109584221A (zh) * 2018-11-16 2019-04-05 聚时科技(上海)有限公司 一种基于监督式生成对抗网络的异常图像检测方法
CN109829895A (zh) * 2019-01-09 2019-05-31 武汉精立电子技术有限公司 一种基于gan的aoi缺陷检测方法
CN109886936A (zh) * 2019-01-28 2019-06-14 深圳大学 一种低对比度缺陷检测方法和装置
CN111508588A (zh) * 2019-01-30 2020-08-07 富士通株式会社 训练装置、训练方法和计算机可读记录介质
CN111508588B (zh) * 2019-01-30 2024-03-15 富士通株式会社 训练装置、训练方法和计算机可读记录介质
CN109949305A (zh) * 2019-03-29 2019-06-28 北京百度网讯科技有限公司 产品表面缺陷检测方法、装置及计算机设备
CN110211114A (zh) * 2019-06-03 2019-09-06 浙江大学 一种基于深度学习的装箱缺条视觉检测方法
CN111126566B (zh) * 2019-11-29 2022-07-08 江苏艾佳家居用品有限公司 基于gan模型的异常家具布局数据检测方法
CN111126566A (zh) * 2019-11-29 2020-05-08 江苏艾佳家居用品有限公司 基于gan模型的异常家具布局数据检测方法
CN111062918A (zh) * 2019-12-10 2020-04-24 歌尔股份有限公司 一种基于计算机视觉的异常检测方法及装置
CN111062918B (zh) * 2019-12-10 2023-11-21 歌尔股份有限公司 一种基于计算机视觉的异常检测方法及装置
US12002195B2 (en) 2019-12-10 2024-06-04 Goertek Inc. Computer vision-based anomaly detection method, device and electronic apparatus
CN112069795B (zh) * 2020-08-28 2023-05-30 平安科技(深圳)有限公司 基于掩码语言模型的语料检测方法、装置、设备及介质
CN112069795A (zh) * 2020-08-28 2020-12-11 平安科技(深圳)有限公司 基于掩码语言模型的语料检测方法、装置、设备及介质
CN112561383A (zh) * 2020-12-24 2021-03-26 航天科工网络信息发展有限公司 一种基于生成对抗网络的实时异常检测方法
CN112882382B (zh) * 2021-01-11 2022-03-29 大连理工大学 一种评价分类深度神经网络鲁棒性的几何方法
CN112882382A (zh) * 2021-01-11 2021-06-01 大连理工大学 一种评价分类深度神经网络鲁棒性的几何方法
CN113077013A (zh) * 2021-04-28 2021-07-06 上海联麓半导体技术有限公司 基于生成对抗网络的高维数据故障异常检测方法及系统
CN113920080A (zh) * 2021-09-30 2022-01-11 国网浙江省电力有限公司宁波供电公司 一种基于生成对抗网络的电网故障定位方法
CN115589608B (zh) * 2022-12-05 2023-03-07 合肥工业大学 物联网数据异常检测模型训练方法、异常检测方法和系统
CN115589608A (zh) * 2022-12-05 2023-01-10 合肥工业大学 物联网数据异常检测模型训练方法、异常检测方法和系统

Also Published As

Publication number Publication date
CN108009628B (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN108009628A (zh) 一种基于生成对抗网络的异常检测方法
CN108961217B (zh) 一种基于正例训练的表面缺陷检测方法
CN111311563B (zh) 一种基于多域特征融合的图像篡改检测方法
CN110309706B (zh) 人脸关键点检测方法、装置、计算机设备及存储介质
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
CN109615604B (zh) 基于图像重构卷积神经网络的零件外观瑕疵检测方法
CN104504669B (zh) 一种基于局部二值模式的中值滤波检测方法
CN110516539A (zh) 基于对抗网络的遥感影像建筑物提取方法、系统、存储介质及设备
CN108764085A (zh) 基于生成对抗网络的人群计数方法
CN110457996B (zh) 基于vgg-11卷积神经网络的视频运动对象篡改取证方法
CN103279744B (zh) 基于多尺度三模式纹理特征的仿造指纹检测方法和系统
CN113536972A (zh) 一种基于目标域伪标签的自监督跨域人群计数方法
CN104751153A (zh) 一种识别场景文字的方法及装置
Chen et al. Image splicing localization using residual image and residual-based fully convolutional network
CN106778851A (zh) 基于手机取证数据的社交关系预测系统及其方法
CN111461076A (zh) 帧差法与神经网络结合的烟雾检测方法和检测系统
CN104636764A (zh) 一种图像隐写分析方法以及其装置
CN103258123A (zh) 一种基于隐写分析系统盲性的隐写分析方法
Chen et al. Fresh tea sprouts detection via image enhancement and fusion SSD
CN113205030A (zh) 一种防御对抗性攻击的行人重识别方法
CN108830882A (zh) 视频异常行为实时检测方法
CN112884121A (zh) 基于生成对抗深度卷积网络的流量识别方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN111985314A (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN113792789B (zh) 基于类激活热力图的图像篡改检测与定位的方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant