CN109685097A - 一种基于gan的图像检测方法及装置 - Google Patents
一种基于gan的图像检测方法及装置 Download PDFInfo
- Publication number
- CN109685097A CN109685097A CN201811324810.7A CN201811324810A CN109685097A CN 109685097 A CN109685097 A CN 109685097A CN 201811324810 A CN201811324810 A CN 201811324810A CN 109685097 A CN109685097 A CN 109685097A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- vector
- random vector
- loss function
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于GAN的图像检测方法及装置,所述GAN包括生成器和判别器,所述方法包括:获取待检测图像对应的特征向量;获取随机向量;输入合成向量至所述生成器,以生成比对图像,并计算第一损失函数;输入所述待检测图像和所述比对图像至所述判别器,并计算第二损失函数;获取优化后的随机向量;获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。所述装置执行上述方法。本发明实施例提供的方法及装置,能够提高图像检测的效率和准确性。
Description
技术领域
本发明实施例涉及图像处理技术领域,具体涉及一种基于GAN的图像检测方法及装置。
背景技术
随着图像处理技术的发展,采用图像检测技术来检测图像中的拍摄对象,进而确定该拍摄对象是否存在异常得到广泛应用。
现有技术通常是提取待检测图像中的特征向量,然后将该特征向量与样本库中的缺陷特征进行比对,从而检测出该待检测图像中的拍摄对象是否存在异常,例如形状缺陷、表面瑕疵等,但是,由于缺陷特征难以收集,导致采用特征比对的方式效率低下,此外,也无法准确定位缺陷所在的位置;然而,直接比对图像又容易造成比对结果不准确。
因此,如何避免上述缺陷,能够提高图像检测的效率和准确性,成为亟须解决的问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于GAN的图像检测方法及装置。
第一方面,本发明实施例提供一种基于GAN的图像检测方法,所述GAN包括生成器和判别器,所述方法包括:
获取待检测图像对应的特征向量;获取随机向量;
将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
第二方面,本发明实施例提供一种基于GAN的图像检测装置,所述GAN包括生成器和判别器,所述装置包括:
获取单元,用于获取待检测图像对应的特征向量;获取随机向量;
生成单元,用于将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入单元,用于输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
优化单元,用于对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
检测单元,用于获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如下方法:
获取待检测图像对应的特征向量;获取随机向量;
将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如下方法:
获取待检测图像对应的特征向量;获取随机向量;
将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
本发明实施例提供的基于GAN的图像检测方法及装置,通过确定优化后的随机向量,再获取基于优化后的随机向量生成的目标比对图像,并与待检测图像进行对比,从而检测待检测图像中的拍摄对象是否存在异常,能够提高图像检测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于GAN的图像检测方法流程示意图;
图2为本发明实施例基于GAN的图像检测装置结构示意图;
图3为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例基于GAN的图像检测方法流程示意图,如图1所示,本发明实施例提供的一种基于GAN的图像检测方法,所述GAN包括生成器和判别器,所述方法包括以下步骤:
S101:获取待检测图像对应的特征向量;获取随机向量。
具体的,装置获取待检测图像对应的特征向量;获取随机向量。GAN全称为Generative Adversarial Nets,直译为生成式对抗网络,对特征向量和随机向量获取的先后顺序不作具体限定。需要说明的是:这里的特征向量是通过预先训练过的编码器输出的与该待检测图像较相似的正样本的特征向量,正样本可以理解为没有缺陷的样本图片。获取待检测图像对应的特征向量,具体可以采用如下方式实现:
获取待检测图像的自身特征向量;将该自身特征向量与训练过的所有正样本的特征向量分别进行比对;选择比对结果中相似度大于预设相似度阈值的正样本的特征向量作为与该待检测图像较相似的正样本的特征向量。
可以从高斯分布中随机采样,以获取所述随机向量。可以输入所述待检测图像至预先训练过的编码器,将所述编码器输出结果作为待检测图像对应的特征向量。
S102:将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数。
具体的,装置将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数。第一损失函数可以是欧式距离损失函数,不作具体限定。
S103:输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数。
具体的,装置输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数。第二损失函数可以是欧式距离损失函数,不作具体限定。
S104:对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量。
具体的,装置对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量。可以采用梯度下降法对所述随机向量进行优化,需要说明的是,由于GAN是预先训练过的,此时需要固定所有学习参数不再改变,预设条件可以是所述第一损失函数和所述第二损失函数的损失值都低于各自对应的阈值,阈值的具体数值可以根据实际情况自主设置。该方法还可以包括:预先采用所有正样本训练GAN,在训练GAN之前,本发明实施例还引入了自动编码机,也需要预先训练,自动编码机可以包括编码器和解码器,需要说明的是:可以利用所有的正样本图片训练自动编码机,编码器和解码器的实现形式可根据应用需求选择,例如编码器可以用深度卷积神经网络中的一种,解码器可以采用与编码器对应的深度反卷积神经网络,自动编码机的训练目标是通过编码器和解码器实现输入图片的重建。对于编码器:输入正样本图片,输出正样本特征向量;对于解码器:输入正样本特征向量,输出正样本图片的重构图片,训练过程中,可以通过重构图片和正样本图片之间的欧式距离损失函数收敛到某一数值,作为训练结束的条件。
通过训练好的自动编码机,使得编码器可以准确输出与输入正样本图片对应的特征向量。
GAN的训练为本领域成熟技术,简要说明如下:
生成器的输入由两部分组成,一部分是从高维高斯分布随机采样获得的随机向量z,另一部分是给定输入图片的编码特征向量x,两个向量以并联的方式合成一个新的向量送入生成器,生成器生成一张图片送入判别器。判别器的输入有两种,一种是生成器生成的图片,一种是真实的正样本图片。判别器的任务是判断送入的图片是真实正样本图片还是生成器生成的图片,可以添加二分类的交叉熵损失函数训练判断器。生成器的任务是生成尽可能真实的正样本使得判别器无法分辨,为了使得生成器生成的图片更加真实,可以添加生成图片与真实图片之间的欧式距离损失函数。即GAN的训练由两个损失函数驱动学习。
S105:获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
具体的,装置获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。目标比对图像与待检测图像进行对比可以采用SSIM对比的方式,即结构相似性,通过比较差异值和差异阈值(可自主设置),从而检测出待检测图像中的拍摄对象是否存在异常,即:如果差异值大于差异阈值,则说明拍摄对象存在异常;如果差异值小于等于差异阈值,则说明拍摄对象不存在异常。进一步地,还可以确定差异值大于差异阈值的位置,该位置即是异常检测区域。
本发明实施例利用可以大量获取的正样本和GAN在高维空间形成正样本流形,给定一张待检测图像后,在正样本流形上通过优化方法寻找最接近待检测图像的正样本。为了使得正样本流形易于优化,可以通过图像的结构及纹理特征将流形空间划分,结构和纹理相近的正样本将聚集在一起,由此使得检测阶段的优化更加有效。本发明实施例的方法可以实现诸如钢轨、接触网、玻璃等表面具有不确定形态瑕疵的检测。
本发明实施例提供的基于GAN的图像检测方法,通过确定优化后的随机向量,再获取基于优化后的随机向量生成的目标比对图像,并与待检测图像进行对比,从而检测待检测图像中的拍摄对象是否存在异常,能够提高图像检测的效率和准确性。
在上述实施例的基础上,所述预设条件为所述第一损失函数和所述第二损失函数的损失值都低于各自对应的阈值。
具体的,装置中的所述预设条件为所述第一损失函数和所述第二损失函数的损失值都低于各自对应的阈值。可参照上述实施例,不再赘述。
本发明实施例提供的基于GAN的图像检测方法,通过将预设条件确定为第一损失函数和第二损失函数的损失值都低于各自对应的阈值,进一步能够提高图像检测的准确性。
在上述实施例的基础上,所述对所述随机向量进行优化,包括:
采用梯度下降法对所述随机向量进行优化。
具体的,装置采用梯度下降法对所述随机向量进行优化。可参照上述实施例,不再赘述。
本发明实施例提供的基于GAN的图像检测方法,通过采用梯度下降法对随机向量进行优化,能够快速有效查找到优化后的随机向量,进一步能够提高图像检测的效率和准确性。
在上述实施例的基础上,所述方法还包括:
预先采用所有正样本训练GAN。
具体的,装置预先采用所有正样本训练GAN。可参照上述实施例,不再赘述。
本发明实施例提供的基于GAN的图像检测方法,通过预先采用所有正样本训练GAN,进一步能够提高图像检测的效率和准确性。
在上述实施例的基础上,所述预先采用所有正样本训练GAN,包括:
采用二分类的交叉熵损失函数训练所述GAN中的判别器。
具体的,装置采用二分类的交叉熵损失函数训练所述GAN中的判别器。可参照上述实施例,不再赘述。
采用欧式距离损失函数训练所述GAN中的生成器。
具体的,装置采用欧式距离损失函数训练所述GAN中的生成器。可参照上述实施例,不再赘述。需要说明的是,本发明实施例对上述两个步骤的先后顺序不作具体限定。
本发明实施例提供的基于GAN的图像检测方法,通过采用不同的损失函数训练GAN中的判别器和生成器,可以高效地训练GAN。
在上述实施例的基础上,所述获取待检测图像对应的特征向量,包括:
输入所述待检测图像至预先训练过的编码器,将所述编码器输出结果作为所述特征向量。
具体的,装置输入所述待检测图像至预先训练过的编码器,将所述编码器输出结果作为所述特征向量。可参照上述实施例,不再赘述。
本发明实施例提供的基于GAN的图像检测方法,通过将编码器输出结果作为特征向量,能够快速、准确找到与待检测图像尽可能相似的正样本特征向量,进一步能够提高图像检测的效率和准确性。
在上述实施例的基础上,所述获取随机向量,包括:
从高斯分布中随机采样,以获取所述随机向量。
具体的,装置从高斯分布中随机采样,以获取所述随机向量。可参照上述实施例,不再赘述。
本发明实施例提供的基于GAN的图像检测方法,能够高效获取随机向量,保证该方法正常进行。
图2为本发明实施例基于GAN的图像检测装置结构示意图,如图2所示,本发明实施例提供了一种基于GAN的图像检测装置,所述GAN包括生成器和判别器,所述装置包括获取单元201、生成单元202、输入单元203、优化单元204和检测单元205,其中:
获取单元201用于获取待检测图像对应的特征向量;获取随机向量;生成单元202用于将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;输入单元203用于输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;优化单元204用于对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;检测单元205用于获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
具体的,获取单元201用于获取待检测图像对应的特征向量;获取随机向量;生成单元202用于将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;输入单元203用于输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;优化单元204用于对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;检测单元205用于获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
本发明实施例提供的基于GAN的图像检测装置,通过确定优化后的随机向量,再获取基于优化后的随机向量生成的目标比对图像,并与待检测图像进行对比,从而检测待检测图像中的拍摄对象是否存在异常,能够提高图像检测的效率和准确性。
本发明实施例提供的基于GAN的图像检测装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,所述电子设备包括:处理器(processor)301、存储器(memory)302和总线303;
其中,所述处理器301、存储器302通过总线303完成相互间的通信;
所述处理器301用于调用所述存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待检测图像对应的特征向量;获取随机向量;将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取待检测图像对应的特征向量;获取随机向量;将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待检测图像对应的特征向量;获取随机向量;将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的各实施例技术方案的范围。
Claims (10)
1.一种基于GAN的图像检测方法,所述GAN包括生成器和判别器,其特征在于,所述方法包括:
获取待检测图像对应的特征向量;获取随机向量;
将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述预设条件为所述第一损失函数和所述第二损失函数的损失值都低于各自对应的阈值。
3.根据权利要求1所述的方法,其特征在于,所述对所述随机向量进行优化,包括:
采用梯度下降法对所述随机向量进行优化。
4.根据权利要求1至3任一所述的方法,其特征在于,所述方法还包括:
预先采用所有正样本训练GAN。
5.根据权利要求4所述的方法,其特征在于,所述预先采用所有正样本训练GAN,包括:
采用二分类的交叉熵损失函数训练所述GAN中的判别器;
采用欧式距离损失函数训练所述GAN中的生成器。
6.根据权利要求1所述的方法,其特征在于,所述获取待检测图像对应的特征向量,包括:
输入所述待检测图像至预先训练过的编码器,将所述编码器输出结果作为所述特征向量。
7.根据权利要求1所述的方法,其特征在于,所述获取随机向量,包括:
从高斯分布中随机采样,以获取所述随机向量。
8.一种基于GAN的图像检测装置,所述GAN包括生成器和判别器,其特征在于,所述装置包括:
获取单元,用于获取待检测图像对应的特征向量;获取随机向量;
生成单元,用于将所述随机向量和所述特征向量合并成合成向量,输入所述合成向量至所述生成器,以生成比对图像,并计算所述比对图像和所述待检测图像之间的第一损失函数;
输入单元,用于输入所述待检测图像和所述比对图像至所述判别器,并计算所述判别器输出的所述待检测图像和所述比对图像分别对应的自身特征向量之间的第二损失函数;
优化单元,用于对所述随机向量进行优化,当所述第一损失函数和所述第二损失函数满足预设条件时,将此时的随机向量作为优化后的随机向量;
检测单元,用于获取所述生成器根据优化后的随机向量和所述特征向量生成的目标比对图像,并将所述目标比对图像与所述待检测图像进行对比,以检测所述待检测图像中的拍摄对象是否存在异常。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324810.7A CN109685097B (zh) | 2018-11-08 | 2018-11-08 | 一种基于gan的图像检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811324810.7A CN109685097B (zh) | 2018-11-08 | 2018-11-08 | 一种基于gan的图像检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685097A true CN109685097A (zh) | 2019-04-26 |
CN109685097B CN109685097B (zh) | 2020-12-25 |
Family
ID=66184732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811324810.7A Active CN109685097B (zh) | 2018-11-08 | 2018-11-08 | 一种基于gan的图像检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685097B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110427824A (zh) * | 2019-06-28 | 2019-11-08 | 特斯联(北京)科技有限公司 | 一种人工智能虚拟场景的安防自动测试方法及系统 |
CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN111260620A (zh) * | 2020-01-14 | 2020-06-09 | 三峡大学 | 图像异常检测方法、装置和电子设备 |
CN111383220A (zh) * | 2020-03-10 | 2020-07-07 | 创新奇智(重庆)科技有限公司 | 设备的故障预测方法及装置、电子设备、存储介质 |
CN111754401A (zh) * | 2020-05-29 | 2020-10-09 | 新加坡依图有限责任公司(私有) | 解码器训练方法、高清人脸图像生成方法、装置及计算机设备 |
CN112577664A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 传感器故障检测方法、装置及相关产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451994A (zh) * | 2017-07-25 | 2017-12-08 | 宸盛科华(北京)科技有限公司 | 基于生成对抗网络的物体检测方法及装置 |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108268855A (zh) * | 2018-02-05 | 2018-07-10 | 北京信息科技大学 | 一种面向行人再识别的函数模型的优化方法及装置 |
CN108680807A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司青岛供电公司 | 基于条件生成式对抗网络的变压器故障诊断方法和系统 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
-
2018
- 2018-11-08 CN CN201811324810.7A patent/CN109685097B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451994A (zh) * | 2017-07-25 | 2017-12-08 | 宸盛科华(北京)科技有限公司 | 基于生成对抗网络的物体检测方法及装置 |
CN108009628A (zh) * | 2017-10-30 | 2018-05-08 | 杭州电子科技大学 | 一种基于生成对抗网络的异常检测方法 |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN108009632A (zh) * | 2017-12-14 | 2018-05-08 | 清华大学 | 对抗式时空大数据预测方法 |
CN108038452A (zh) * | 2017-12-15 | 2018-05-15 | 厦门瑞为信息技术有限公司 | 一种基于局部图像增强的家电手势快速检测识别方法 |
CN108268855A (zh) * | 2018-02-05 | 2018-07-10 | 北京信息科技大学 | 一种面向行人再识别的函数模型的优化方法及装置 |
CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
CN108680807A (zh) * | 2018-05-17 | 2018-10-19 | 国网山东省电力公司青岛供电公司 | 基于条件生成式对抗网络的变压器故障诊断方法和系统 |
Non-Patent Citations (2)
Title |
---|
D´EPARTEMENT: "Conditional Generative Adversarial Nets", 《ARXIV:1411.1784V1》 * |
THOMAS SCHLEGL: "Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery", 《ARXIV:1703.05921V1》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110111335B (zh) * | 2019-05-08 | 2021-04-16 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
CN110427824A (zh) * | 2019-06-28 | 2019-11-08 | 特斯联(北京)科技有限公司 | 一种人工智能虚拟场景的安防自动测试方法及系统 |
CN110427824B (zh) * | 2019-06-28 | 2020-07-21 | 特斯联(北京)科技有限公司 | 一种人工智能虚拟场景的安防自动测试方法及系统 |
CN110751630A (zh) * | 2019-09-30 | 2020-02-04 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN110751630B (zh) * | 2019-09-30 | 2020-12-08 | 山东信通电子股份有限公司 | 基于深度学习的输电线路异物检测方法、装置及介质 |
CN112577664A (zh) * | 2019-09-30 | 2021-03-30 | 北京国双科技有限公司 | 传感器故障检测方法、装置及相关产品 |
CN111260620A (zh) * | 2020-01-14 | 2020-06-09 | 三峡大学 | 图像异常检测方法、装置和电子设备 |
CN111260620B (zh) * | 2020-01-14 | 2023-08-18 | 三峡大学 | 图像异常检测方法、装置和电子设备 |
CN111383220A (zh) * | 2020-03-10 | 2020-07-07 | 创新奇智(重庆)科技有限公司 | 设备的故障预测方法及装置、电子设备、存储介质 |
CN111754401A (zh) * | 2020-05-29 | 2020-10-09 | 新加坡依图有限责任公司(私有) | 解码器训练方法、高清人脸图像生成方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685097B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685097A (zh) | 一种基于gan的图像检测方法及装置 | |
CN109886307A (zh) | 一种基于卷积神经网络的图像检测方法及系统 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN111325713A (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN110009614A (zh) | 用于输出信息的方法和装置 | |
CN111091101B (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN110879982A (zh) | 一种人群计数系统及方法 | |
CN110647876B (zh) | 一种血涂片全视野智能分析方法 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
CN111583300A (zh) | 一种基于富集目标形态变化更新模板的目标跟踪方法 | |
CN116912674A (zh) | 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统 | |
CN108288274A (zh) | 模具检测方法、装置以及电子设备 | |
CN114639102A (zh) | 基于关键点与尺寸回归的细胞分割方法和装置 | |
CN117290719B (zh) | 基于数据分析的巡检管理方法、装置及存储介质 | |
Guan et al. | Defect detection and classification for plain woven fabric based on deep learning | |
Burton et al. | RustSEG--Automated segmentation of corrosion using deep learning |
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 |