CN111401387A - 异常样本构建方法、装置、计算机设备和存储介质 - Google Patents

异常样本构建方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111401387A
CN111401387A CN202010160602.9A CN202010160602A CN111401387A CN 111401387 A CN111401387 A CN 111401387A CN 202010160602 A CN202010160602 A CN 202010160602A CN 111401387 A CN111401387 A CN 111401387A
Authority
CN
China
Prior art keywords
sample
image sample
abnormal
basic image
neural network
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
CN202010160602.9A
Other languages
English (en)
Other versions
CN111401387B (zh
Inventor
朱敏
鲁四喜
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010160602.9A priority Critical patent/CN111401387B/zh
Publication of CN111401387A publication Critical patent/CN111401387A/zh
Application granted granted Critical
Publication of CN111401387B publication Critical patent/CN111401387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本申请涉及一种异常样本构建方法、装置、计算机设备和存储介质，所述方法包括：获取基础图像样本；提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；基于预设阈值区间组对所述权重矩阵进行划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。通过上述异常样本构建方法可以得到精准定位异常的异常样本，将这些异常样本应用在模型的测试场景中，可以帮助定位异常位置。

Description

异常样本构建方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种异常样本构建方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了机器学习技术；机器学习可以采用机器学习算法基于训练数据训练获得某种特定功能的模型，而针对机器学习所获得的模型，在对其模型的效果进行检测时，需要用到异常样本。
由于收集异常样本通常比较困难，因此像传统的针对如活体检测、人脸识别、OCR识别等算法中的异常测试方法中，通常都是依靠测试人员脑暴从而去构造不同的场景，以获得异常样本。
然而通过这种方法构建的异常样本，异常都是针对整张图片的，如果将其运用在上述场景的模型的测试，当在测试过程中发现某种手段产生了影响时，无法精确定位具体原因。
发明内容
基于此，有必要针对上述技术问题，提供一种异常样本构建方法、装置、计算机设备和存储介质。
一种异常样本构建方法，所述方法包括：
获取基础图像样本；
提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
基于预设阈值区间组对所述权重矩阵进行划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
一种异常样本构建装置，所述装置包括：
基础图像样本获取模块，用于获取基础图像样本；
权重矩阵生成模块，用于提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
标记矩阵生成模块，用于基于预设阈值区间组对所述权重矩阵进行权重划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
异常处理模块，用于基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取基础图像样本；
提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
基于预设阈值区间组对所述权重矩阵进行划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取基础图像样本；
提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
基于预设阈值区间组对所述权重矩阵进行划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
上述异常样本构建方法、装置、计算机设备和存储介质，通过对获取的基础图像样本进行特征提取，生成基础图像样本对应的权重矩阵，并根据预设的阈值区间组，对权重矩阵进行权重划分得到标记矩阵；基于标记矩阵对基础图像样本的局部进行异常处理，获得异常样本；通过上述异常样本构建方法可以得到精准定位异常的异常样本，将这些异常样本应用在模型的测试场景中，可以帮助定位异常位置。
附图说明
图1为一个实施例中异常样本构建方法的流程示意图；
图2为一个具体实施例中基础图像样本对应权重矩阵的示意图；
图3为一个具体实施例中对标记矩阵染色后的示意图；
图4为一个实施例中提取基础图像样本中的特征，基于基础图像样本的特征生成对应的权重矩阵的流程示意图；
图5为另一个实施例中提取基础图像样本中的特征，基于基础图像样本生成对应的权重矩阵的流程示意图；
图6为一个实施例中根据输出结果确定目标神经网络的测试结果的流程示意图；
图7为一个具体实施例中采用grad cam的方式生成热力图的流程示意图；
图8(1)为一个具体实施例中的基础图像样本的示意图；
图8(2)为一个具体实施例中异常样本的示意图；
图9为一个实施例中异常样本构建装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，本申请提供了一种异常样本构建方法，包括步骤S110至步骤S140。
步骤S110，获取基础图像样本。
本申请所提供的异常样本构建方法具体是对于正常样本通过特定的手段进行一定干扰获得异常样本，其中用来作为基础的正常样本的图像即为本实施例中的基础图像样本；在一个实施例中，基础图像样本由用户输入。
步骤S120，提取基础图像样本中的特征，基于基础图像样本的特征生成对应的权重矩阵。
图像的特征主要有图像的颜色特征、纹理特征、形状特征和空间关系等特征。其中，颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。
其中，提取图像特征指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征；图像特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
在一个实施例中，通过提取基础图像样本中的特征以得到该基础图像样本的分布特点；进一步地，在一个实施例中，提取基础图像样本的特征包括提取基础图像样本的颜色特征的颜色特征，也即提取基础图像样本中的像素点特征，得到基础图像样本中的像素分布情况；提取基础图像样本的像素特征可以通过任意一种方式实现。
进一步地，在一个实施例中，根据基础图像样本的特征生成对应的权重矩阵包括：将基础图像样本各像素点中的像素值作为权重矩阵的特征值生成对应的权重矩阵；其中，最终生成的基础图像样本对应的权重矩阵的尺寸大小与基础图像样本的尺寸大小相同；如图2所示为一个具体实施例的基础图像样本对应权重矩阵的示意图。
步骤S130，基于预设阈值区间组对权重矩阵进行权重划分获得标记矩阵；预设阈值组包括至少两个预设阈值区间。
预设阈值区间组中包括了至少两个预设阈值区间；在一个实施例中，一个预设阈值区间由两个预设阈值确定，而预设阈值的确定可以根据实际情况进行设置；在一个实施例中，对于待构建的异常样本需要应用到的场景中对于图像的关注点的不同来设置多个不同的预设阈值，并根据每相邻两个预设阈值确定一组预设阈值区间；进一步地，在一个具体实施例中，可以根据多个不同的基础图像样本生成的权重矩阵，通过设置多个不同的阈值区间组对各权重矩阵进行划分，然后根据划分得到的结果选择最合适的阈值区间组作为预设阈值区间组。
在一个实施例中，基于预设阈值区间组对权重矩阵进行权重划分获得标记矩阵包括：将权重矩阵中属于同一预设阈值区间的权重对应划分为同一个标记，获得标记矩阵；其中，对权重矩阵进行权重划分之后得到的标记矩阵与基础图像样本的尺寸大小相同。
在一个具体实施例中，将上述异常样本构造方法应用在证件分类的应用场景中，可以选择以下一组阈值(0.95，0.9，0.75，0.5，0.4，0.1)，其中，根据两两相邻的两个阈值得到一个预设阈值区间，进而根据预设阈值区间可以对上述权重矩阵进行划分，具体为将权重矩阵中属于一个预设阈值区间的权重划分为同一个标记，属于不同预设阈值区间的划分为不同标记；以上述一组阈值为例，可以将属于0.9-0.95之间的权重标记为①，而属于0.75-0.9之间的权重标记为②，...将属于0.1-0.4之间的权重标记为⑤，生成的标记即为标记矩阵；进一步地，在一个实施例中，对于生成的标记矩阵可以对不同标记以不同颜色进行标记，以在图中区分不同标记，如图3所示为一个具体实施例中对标记矩阵染色后的示意图。
步骤S140，基于标记矩阵中的标记对基础图像样本进行局部的异常处理，获得异常样本。
对基础图像样本进行局部的异常处理是指，在基础图像样本中选取一部分进行异常处理，该异常处理的部分通常是在基础图像样本中能划分为同一类别的部分，例如基础图像样本为一张人像，其中的人脸可以作为一个部分，胳膊可以作为一个部分等等，再如基础图像样本为一张人脸像，其中眼睛、鼻子和嘴巴分别可以作为一部分。
在步骤S130中基于预设阈值区间组对权重矩阵进行权重划分之后获得的标记矩阵中包括可能包含多个不同的标记，由于标记矩阵与基础图像样本的尺寸大小是相同的，即标记矩阵中的各标记在基础图像样本中均对应一个部分；进一步地，根据标记矩阵中的标记在基础图像样本中对应的位置进行异常处理。
在一个实施例中，基于标记矩阵中的标记对基础图像样本进行局部的异常处理，获得异常样本包括：任意选取标记矩阵中的至少一个目标标记；对基础图像样本中与目标标记对应的位置进行异常处理，获得异常样本。
在一次异常处理时，选取标记矩阵中的至少一个标记作为目标标记，对该目标标记在基础图像样本中的对应位置进行异常处理，即可得到一个异常样本；可以理解地，通过多次选取不同的目标标记，并在基础图像样本中的目标标记对应位置进行异常处理，可以得到多个不同的异常样本。
进一步地，在一个实施例中，异常处理包括以下任意一项：高斯模糊处理、高斯噪声处理或者椒盐噪声处理。
上述异常样本构建方法，通过对获取的基础图像样本进行特征提取，生成基础图像样本对应的权重矩阵，并根据预设的阈值区间组，对权重矩阵进行权重划分得到标记矩阵；基于标记矩阵对基础图像样本的局部进行异常处理，获得异常样本；通过上述异常样本构建方法可以得到精准定位异常的异常样本，将这些异常样本应用在模型的测试场景中，可以帮助定位异常位置。
在一个实施例中，如图4所示，提取基础图像样本中的特征，基于基础图像样本的特征生成对应的权重矩阵包括步骤S410至步骤S440。
步骤S410，将基础图像样本输入预设卷积神经网络模型。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification)。
卷积神经网络通常包括输入层、隐含层和输出层；其中，卷积神经网络的输入层可以处理多维数据，常见地，一维卷积神经网络的输入层接收一维或二维数组，其中一维数组通常为时间或频谱采样；二维数组可能包含多个通道；二维卷积神经网络的输入层接收二维或三维数组；三维卷积神经网络的输入层接收四维数组；与其它神经网络算法类似，由于使用梯度下降算法进行学习，卷积神经网络的输入特征需要进行标准化处理。具体地，在将学习数据输入卷积神经网络前，需在通道或时间/频率维对输入数据进行归一化，若输入数据为像素，也可将分布于[0,255]的原始像素值归一化至[0,1]区间。
卷积神经网络的隐含层包含卷积层、池化层和全连接层3类常见构筑，在常见构筑中，卷积层和池化层为卷积神经网络特有。卷积层中的卷积核包含权重系数，而池化层不包含权重系数。以LeNet-5为例，3类常见构筑在隐含层中的顺序通常为：输入-卷积层-池化层-全连接层-输出。其中，卷积层的功能是对输入数据进行特征提取；在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤；全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号；特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。按表征学习观点，卷积神经网络中的卷积层和池化层能够对输入数据进行特征提取，全连接层的作用则是对提取的特征进行非线性组合以得到输出。
本实施例中，预设卷积神经网络模型是指本申请提供的异常样本构建方法构建获得的异常样本所要应用到的神经网络模型；将基础图像样本输入预设卷积神经网络模型中，预设卷积神经网络模型会按照该模型的关注点提取基础图像样本中的特征。
步骤S420，在预设卷积神经网络模型对基础图像样本进行特征提取时，获取预设层输出的各特征图的像素个数、各特征图中各像素点的像素值，以及预设卷积神经网络模型的输出结果对应的分数。
在一个实施例中，预设层是指的预设卷积神经网络模型中的一个层级结构；卷积神经网络模型的任一层级结构可以输出一个特征图或者多个特征图，每一个特征图对应有一个梯度值，对梯度值求平均值即可获得梯度平均值；在一个具体实施例中，预设层选择预设卷积神经网络模型的最后一个卷积层。
在其中的一个实施例中，获取预设卷积神经网络模型中各层的梯度值可以以任意一种方式实现；在一个具体实施例中，以pytorch框架为例，torch提供了register_backward_hook函数可以获取模型在对基础图像样本进行特征提取的过程中每层的梯度值，获取到预设层的梯度值之后，对其进行求平均值，获得预设层的梯度平均值；在其它实施例中，也可以采用例如tensorflow,mxnet框架中的函数实现获取模型的梯度值，以确定预设层的梯度平均值。
其中，预设卷积神经网络模型的输出结果是指对于基础图像样本进行处理后输出的结果；例如在一个具体实施例中，预设卷积神经网络模型是用于分类的，相应地，该用于分类的预设卷积神经网络模型的输出结果即为分类结果，在一些实施例中分类模型可能会输出多个分类结果，每一分类结果对应一个分数，通常以分数最高的分类结果作为分类模型最终的输出结果。
步骤S430，分别根据各特征图的像素个数、预设卷积神经网络模型的输出结果对应的分数以及各特征图中各像素点的像素值，确定各特征图对应的梯度平均值。
在一个具体实施例中，分别根据各特征图的像素个数、预设卷积神经网络模型的输出结果对应的分数以及各特征图中各像素点的像素值，确定各特征图对应的梯度平均值可以通过以下公式确定：
Figure BDA0002405640000000081
其中，Z是特征图的像素个数，yc是预设卷积神经网络模型的输出结果对应的分数，
Figure BDA0002405640000000082
表示第k个特征图中，(i,j)位置处的像素值。
步骤S440，分别将各特征图对应的梯度平均值与各特征图进行加权求和，获得权重矩阵。
在其中一个实施例中，分别将各特征图对应的梯度平均值与各特征图进行加权求和包括：分别将各特征图对应的梯度平均值作为各特征图的权重，进行加权求和，生成的结果即为权重矩阵。
上述实施例中将基础图像样本输入预设卷积神经网络模型，预设卷积神经网络模型将会对该基础图像样本进行特征提取，并按照预设卷积神经网络模型的功能输出一个结果及其对应的分数，本实施例中通过获取预设层的梯度平均值以确定对应的权重矩阵，实际上是采用了基于梯度权重的类激活映射的方法，通过该方法，不需要改变预设卷积神经网络模型的结构即可获得基础图像样本对应的权重矩阵。
在另一个实施例中，如图5所示，提取基础图像样本中的特征，基于基础图像样本生成对应的权重矩阵包括步骤S510至步骤S530。
步骤S510，提取基础图像样本中的特征，基于基础图像样本生成对应的热力图。
根据基础图像样本生成对应的热力图可以根据任意一种方式实现；在一个具体实施例中采用grad cam(Gradient-weighted Class Activation Mapping，基于梯度权重的类激活映射)的方式实现将基础图像样本生成对应的热力图。
步骤S520，将热力图转化为对应的灰度图。
其中，将热力图转化为对应的灰度图可以通过任意一种方式实现，例如在一个具体实施例中，可以通过调用OpenCV中的算法实现将热力图转化为灰度图，其中，OpenCV是一个跨平台计算机视觉库，可以运行在多种操作系统上；它由一系列C函数和少量C++类构成，同时提供多种等语言的接口，可以实现图像处理和计算机视觉方面的很多通用算法。其中，可以理解地生成的灰度图与基础图像样本的尺寸相同对应。
步骤S530，提取灰度图中的灰度值，根据灰度值生成权重矩阵。
由于景物各点的颜色及亮度不同，摄成的黑白照片上或电视接收机重现的黑白图像上各点呈现不同程度的灰色；把白色与黑色之间按对数关系分成若干级，称为“灰度等级”。范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像。在一个实施例中，将灰度图中的灰度值作为权重，获得基础图像样本对应的权重矩阵。
在一个实施例中，根据基础图像样本生成对应的热力图包括：将基础图像样本进行预处理获得预设尺寸的处理后基础图像；分别根据各处理后基础图像生成对应的子热力图；根据子热力图获得与基础图像样本相同尺寸的热力图。
在利用预设卷积神经网络实现生成热力图的方式中，预设卷积神经网络通常会对输入的基础图像样本进行预处理成标准化的尺寸，生成的热力图尺寸与标准尺寸相同，因此在将其转化为对应的灰度图时，需将该热力图恢复成与基础图像样本相同的原始尺寸的热力图，再进行转换成灰度图的步骤。
在一个实施例中，在基于标记矩阵中的标记对基础图像样本进行局部的异常处理，获得异常样本之后，还包括：根据异常样本对目标神经网络进行效果测试，获得目标神经网络的输出结果；根据输出结果确定目标神经网络的测试结果。
对于上述实施例中构建获得的异常样本，在本实施例中利用该异常样本对神经网络进行效果测试；其中，目标神经网络即为有待进行效果测试的神经网络，测试结果可以用于评价目标神经网络的效果。通常对于训练得到的神经网络模型，利用一定的测试样本对其进行测试可以了解该神经网络模型的效果，以分类神经网络为例，通过测试样本对训练得到的分类神经网络模型进行测试可以获得该模型对于测试样本是否分类准确，由此来确定该模型的效果；在本实施例中，将异常样本作为测试样本输入目标神经网络模型进行效果测试，具体根据目标神经网络对输入的异常样本处理后输出的结果确定该目标神经网络的测试结果。在一个具体实施例中，目标神经网络可以是用于人脸识别或者ocr识别的神经网络。
进一步地，在一个实施例中，如图6所示，根据输出结果确定目标神经网络的测试结果，包括步骤S610至步骤S630。
步骤S610，获取目标神经网络对异常样本的预期结果。
其中，目标神经网络是指有待进行效果测试的训练确定的神经网络模型，在一个实施例中，目标神经网络与预设卷积神经网络模型同类型的神经网络，具有相同的功能。对于异常样本输入目标神经网络对应有一个被期望输出的结果，即为本实施例中的预期结果；预期结果为假设目标神经网络训练后的效果符合预期要求时对于异常样本的输出结果；在一个实施例中，预期结果包括目标神经网络对异常样本输出结果以及输出结果对应的分数；进一步地，在一个实施例中，目标神经网络对异常样本的预期结果可以通过任意一种方式获得。
步骤S620，将预期结果与输出结果进行比对，获得比对结果。
在一个实施例中，将目标神经网络对异常样本的预期结果与输出结果进行比对，获得的比对结果为输出结果与预期结果相同，或者输出结果符合预期结果；在另一个实施例中，获得的比对结果为输出结果与预期结果不相同，或者输出结果不符合预期结果，如输出结果对应的分数未达到预期结果对应的分数。
步骤S630，根据比对结果确定目标神经网络的测试结果。
在一个实施例中，目标神经网络的测试结果为通过测试或者未通过测试，进一步地，对于目标神经网络的测试结果可以通过设置预设条件来确定，如设置预设条件为比对结果中输出结果与预期结果相同且输出结果对应分数达到预期结果的分数时判定通过测试。进一步地，当测试结果为目标神经网络模型的效果未通过测试时，可提示需对目标神经网络继续训练或者重新训练。
上述实施例中将构建得到的异常样本应用在对神经网络的效果测试中，根据目标神经网络模型的关注点对异常样本进行模型的效果测试，根据测试结果评价目标神经网络训练的效果。
本申请还提供一种应用场景，该应用场景应用上述的异常样本构建方法。具体地，该异常样本构建方法在该应用场景的应用如下：
将上述方法应用于证件分类的场景为例，为此训练了用于证件分类的预设卷积神经网络模型，记为分类模型，将分类模型对图像进行分类的过程记为预测过程。本实施例中以Pytorch框架为例，在其它实施例中也可以通过其它平台实现。上述异常样本构建方法适用于任何使用CNN网络结构进行深度学习的算法模型。主要有以下三个步骤：生成权重矩阵，生成标记矩阵和异常处理。
首先，对于生成权重矩阵的部分：一种方式是：采用grad cam(基于梯度权重的类激活映射)的方式生成权重矩阵；将基础图像样本输入分类模型，获取分类模型的最后一层卷积层(上述预设层)输出的特征图，分别确定各特征图的像素个数、各特征图的各像素点的像素值，以及获取分类模型对于基础图像样本进行分类的预测过程输出的预测类别对应的分数；分别根据各特征图的像素个数、各特征图的各像素点的像素值以及预测类别对应的分数确定各特征图的梯度平均值；进一步地，将各特征图的梯度平均值作为权重，与各特征图进行加权求和，得到权重矩阵。其中，以pytorch框架为例，torch提供了register_backward_hook函数可以获取模型预测过程中每层的梯度；register_forward_hook函数可以获取模型在预测过程中的输出即就是上述的feature map。采用register_backward_hook函数获取分类模型的最后一个卷积层输出的各特征图的梯度值，进而可以确定各特征图的梯度平均值。
第二种方式包括：采用grad cam(基于梯度权重的类激活映射)的方式生成与基础图像样本对应的热力图；具体的，生成热力图包括步骤：获取分类模型对基础图像样本进行分类的预测过程中，最后一个卷积层(上述预设层)的各特征图的梯度平均值与各特征图加权求和的结果，在该结果的基础上进行染色即可得到可视化的热力图，例如可以采用opencv可以实现将权重矩阵转换为热力图的过程。进一步地，对于生成的热力图恢复为与基础图像样本相同尺寸的热力图，再将其转化为对应的灰度图，提取其中的灰度值作为权重，生成对应的权重矩阵。如图7所示，为一个具体实施例中采用grad cam的方式生成热力图的流程示意图，其中，ReLU(Rectified Linear Unit)，表示线性整流函数，(CNNConvolutional Neural Networks)，表示卷积神经网络；在本实施例中，输入图片(图中所示图片为包含小狗的图片)，由预设卷积神经网络进行特征提取，并识别类别得到分类结果；同时利用预设卷积神经网络中预设卷积层提取的特征基于梯度权重的类激活映射，生成输入图片对应的热力图；后续基于该热力图获得二维权重矩阵，根据二维权重矩阵对输入图片进行局部的异常处理可获得异常样本。
在一个具体实施例中，通过生成热力图，转化为对应的灰度图，由灰度图生成权重矩阵可采用以下代码实现：
def cal_label(img_path,heat_path)；#整体功能：计算生成label标记矩阵；
img_raw＝cv.imrea(img_path)#读取基础图像样本；
raws_row,raws_col,raws_channels＝img_raw.shape#获取基础图像样本宽高；#热力图
img＝cv2.imread(heat_path)#读取热力图；
img＝cv2.resize(img,(raws_col,raws_row))#按照基础图像样本宽高重置热力图的大小；
img_gray＝cv2.cvColor(img,cv2.COLOR_BGR2GRAY)
min_val,max_val,min_index,max_index＝cv2.minMaxLoc(img_gray)#获取灰度图中的最大值和最小值及其索引；
labels＝np.zeros((raws_row,raws_col))#设置一个与基础图像样本宽高相同的矩阵；
Figure BDA0002405640000000131
其次，生成标记矩阵的过程中采用设置不同阈值的方法来分割图像，根据阈值对权重矩阵进行过滤生成一个与基础图像样本大小相同的标记矩阵。具体的阈值确定可以生成一批热力图之后，通过设置不同的阈值进行筛选，从而得出适合自己样本分布的经验值，作为预设阈值。进一步地，根据两两相邻的阈值确定一个阈值区间，将权重矩阵中属于同一个阈值区间的划分为同一个标记，得到标记矩阵。在证件分类的一个具体实施例中，选择的阈值组为(0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2,0.1)。
最后，基于标记矩阵对基础图像样本进程局部的异常处理，获得异常样本：标记矩阵的尺寸与基础图像样本是相同的，任意选取标记矩阵中至少一个标记作为目标标记，对于目标标记在基础图像样本中对应的位置进行异常处理，获得异常样本；可以理解地，选取不同的标记作为目标标记，对基础图像样本进行异常处理，可以获得不同的异常样本。
其中，对于基础图像样本进行异常处理可以采用如高斯模糊、高斯噪声、椒盐噪声等方式进行异常处理，以采用椒盐噪声的方式对基础图像样本进行异常处理为例，在一个具体实施例中，对基础图像样本进行异常处理采用椒盐噪声的方式处理，代码如下：
Figure BDA0002405640000000141
Figure BDA0002405640000000151
在一个具体的示例中，以证件图片为基础图像样本为例，图8(1)所示为一个具体实施例中基础图像样本的示意图，利用该证件图片按照上述异常样本构建方法获得如图8(2)所示的异常样本。
本申请还提供一种应用场景，该应用场景应用上述的异常样本构建方法。具体地，该异常样本构建方法在该应用场景的应用在图像分类(如动物分类)，目标检测等应用场景，上述方法可以应用于任何CNN深度学习模型中。
上述异常样本构建方法中，将异常样本用于对预设卷积神经网络模型进行检测，当输入异常样本预设卷积神经网络模型输出的结果表现出不同，由于异常样本是通过上述方法进行构建得到的，可以确定异常样本的异常位置，有助于检测模型的准确度；根据预设卷积神经网络模型的关注点对基础图像样本进行局部的异常处理得到的异常样本，理论上异常样本在该预设卷积神经网络模型中的预测结果的分数是会下降的；因此可以以此标准去检验模型；这样一定程度可以避免深度学习模型在测试过程中对于预期结果的不确定性。
应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种异常样本构建装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：基础图像样本获取模块910、权重矩阵生成模块920、标记矩阵生成模块930和异常处理模块940，其中：
基础图像样本获取模块910，用于获取基础图像样本；
权重矩阵生成模块920，用于提取基础图像样本中的特征，基于基础图像样本的特征生成对应的权重矩阵；
标记矩阵生成模块930，用于基于预设阈值区间组对所述权重矩阵进行权重划分获得标记矩阵；预设阈值组包括至少两个预设阈值区间；
异常处理模块940，用于基于标记矩阵中的标记对基础图像样本进行局部的异常处理，获得异常样本。
上述异常样本构建装置，通过对获取的基础图像样本进行特征提取，生成基础图像样本对应的权重矩阵，并根据预设的阈值区间组，对权重矩阵进行权重划分得到标记矩阵；基于标记矩阵对基础图像样本的局部进行异常处理，获得异常样本；通过上述异常样本构建方法可以得到精准定位异常的异常样本，将这些异常样本应用在模型的测试场景中，可以帮助定位异常位置。
在一个实施例中，上述异常样本构建装置中的权重矩阵生成模块920包括：输入模块，用于将基础图像样本输入预设卷积神经网络模型；梯度平均值获取模块，用于在预设卷积神经网络模型对基础图像样本进行特征提取时，获取预设卷积神经网络模型中预设层输出的各特征图对应的梯度平均值；在本实施例中，权重矩阵生成模块920还用于根据各特征图对应的梯度平均值生成所述权重矩阵。
在一个实施例中，上述异常样本构建装置中的权重矩阵生成模块920包括：信息获取模块，用于获取预设层输出的各特征图的像素个数、各特征图中各像素点的像素值，以及预设卷积神经网络模型的输出结果对应的分数；梯度平均值确定模块，用于分别根据各特征图的像素个数、预设卷积神经网络模型的输出结果对应的分数以及各特征图中各像素点的像素值，确定各特征图对应的梯度平均值。
在一个实施例中，上述异常样本构建装置中的权重矩阵生成模块920还用于分别将各特征图对应的梯度平均值与各特征图进行加权求和，获得权重矩阵。
在一个实施例中，上述异常样本构建装置中的权重矩阵生成模块920包括：热力图生成模块，用于根据基础图像样本生成对应的热力图；转换模块，用于将热力图转化为对应的灰度图；权重矩阵生成模块还用于提取灰度图中的灰度值，根据灰度值生成权重矩阵。
在一个实施例中，上述异常样本构建装置中的标记矩阵生成模块930还用于将权重矩阵中属于同一预设阈值区间的权重对应划分为同一个标记，获得标记矩阵。
在一个实施例中，上述异常样本构建装置中的异常处理模块940包括：标记选取模块，用于任意选取标记矩阵中的至少一个目标标记；异常处理模块还用于对基础图像样本中与目标标记对应的位置进行异常处理，获得异常样本。
关于异常样本构建装置的具体限定可以参见上文中对于异常样本构建方法的限定，在此不再赘述。上述异常样本构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设阈值区间组等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常样本构建方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述异常样本构建方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述异常样本构建方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种异常样本构建方法，所述方法包括：
获取基础图像样本；
提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
基于预设阈值区间组对所述权重矩阵进行权重划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
2.根据权利要求1所述的异常样本构建方法，其特征在于，所述提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵包括：
将所述基础图像样本输入预设卷积神经网络模型；
在所述预设卷积神经网络模型对所述基础图像样本进行特征提取时，获取所述预设层输出的各特征图的像素个数、各特征图中各像素点的像素值，以及所述预设卷积神经网络模型的输出结果对应的分数；
分别根据所述各特征图的像素个数、所述预设卷积神经网络模型的输出结果对应的分数以及各特征图中各像素点的像素值，确定各所述特征图对应的梯度平均值；
分别将各所述特征图对应的梯度平均值与各特征图进行加权求和，获得所述权重矩阵。
3.根据权利要求1所述的异常样本构建方法，其特征在于，所述提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵包括：
提取所述基础图像样本中的特征，基于所述基础图像样本中的特征生成对应的热力图；
将所述热力图转化为对应的灰度图；
提取所述灰度图中的灰度值，根据所述灰度值生成所述权重矩阵。
4.根据权利要求1所述的异常样本构建方法，其特征在于，所述基于预设阈值区间组对所述权重矩阵进行权重划分获得标记矩阵包括：
将所述权重矩阵中属于同一预设阈值区间的权重对应划分为同一标记，获得所述标记矩阵。
5.根据权利要求1所述的异常样本构建方法，其特征在于，所述基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本包括：
任意选取所述标记矩阵中的至少一个目标标记；
对所述基础图像样本中与所述目标标记对应的位置进行局部的异常处理，获得异常样本。
6.根据权利要求1所述的异常样本构建方法，其特征在于，在所述基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本之后，还包括：
根据所述异常样本对目标神经网络进行效果测试，获得所述目标神经网络的输出结果；
根据所述输出结果确定所述目标神经网络的测试结果。
7.根据权利要求6所述的异常样本构建方法，其特征在于，所述根据所述输出结果确定所述目标神经网络的测试结果，包括：
获取所述目标神经网络对所述异常样本的预期结果；
将所述预期结果与所述输出结果进行比对，获得比对结果；
根据所述比对结果确定所述目标神经网络的测试结果。
8.一种异常样本构建装置，其特征在于，所述装置包括：
基础图像样本获取模块，用于获取基础图像样本；
权重矩阵生成模块，用于提取所述基础图像样本中的特征，基于所述基础图像样本的特征生成对应的权重矩阵；
标记矩阵生成模块，用于基于预设阈值区间组对所述权重矩阵进行权重划分获得标记矩阵；所述预设阈值组包括至少两个预设阈值区间；
异常处理模块，用于基于所述标记矩阵中的标记对所述基础图像样本进行局部的异常处理，获得异常样本。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010160602.9A 2020-03-10 2020-03-10 异常样本构建方法、装置、计算机设备和存储介质 Active CN111401387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010160602.9A CN111401387B (zh) 2020-03-10 2020-03-10 异常样本构建方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010160602.9A CN111401387B (zh) 2020-03-10 2020-03-10 异常样本构建方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111401387A true CN111401387A (zh) 2020-07-10
CN111401387B CN111401387B (zh) 2023-09-19

Family

ID=71430688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010160602.9A Active CN111401387B (zh) 2020-03-10 2020-03-10 异常样本构建方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111401387B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560999A (zh) * 2021-02-18 2021-03-26 成都睿沿科技有限公司 一种目标检测模型训练方法、装置、电子设备及存储介质
CN112967134A (zh) * 2021-05-19 2021-06-15 北京轻松筹信息技术有限公司 网络训练方法、风险用户识别方法、装置、设备及介质
CN113962274A (zh) * 2021-11-18 2022-01-21 腾讯科技（深圳）有限公司 一种异常识别方法、装置、电子设备及存储介质
CN114896307A (zh) * 2022-06-30 2022-08-12 北京航空航天大学杭州创新研究院 时间序列数据增强方法、装置和电子设备
CN116385807A (zh) * 2023-05-30 2023-07-04 南京信息工程大学 一种异常图像样本生成方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605958A (zh) * 2013-11-12 2014-02-26 北京工业大学 一种基于灰度共生矩阵和小波分析的活体人脸检测方法
CN106897931A (zh) * 2016-06-12 2017-06-27 阿里巴巴集团控股有限公司 一种异常交易数据的识别方法及装置
CN109145928A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种基于图像的车头朝向识别方法及装置
CN109766898A (zh) * 2018-12-26 2019-05-17 平安科技（深圳）有限公司 图像文字识别方法、装置、计算机设备及存储介质
CN109859204A (zh) * 2019-02-22 2019-06-07 厦门美图之家科技有限公司 卷积神经网络模型检验方法及装置
CN110162475A (zh) * 2019-05-27 2019-08-23 浙江工业大学 一种基于深度迁移的软件缺陷预测方法
CN110321920A (zh) * 2019-05-08 2019-10-11 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机可读存储介质和计算机设备
CN110490950A (zh) * 2019-08-20 2019-11-22 腾讯科技（深圳）有限公司 图像样本生成方法、装置、计算机设备和存储介质
CN110705583A (zh) * 2019-08-15 2020-01-17 平安科技（深圳）有限公司 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110738264A (zh) * 2019-10-18 2020-01-31 上海眼控科技股份有限公司 异常样本筛选、清洗、训练方法、装置、设备和存储介质
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
WO2020038240A1 (zh) * 2018-08-23 2020-02-27 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质及计算机设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605958A (zh) * 2013-11-12 2014-02-26 北京工业大学 一种基于灰度共生矩阵和小波分析的活体人脸检测方法
CN106897931A (zh) * 2016-06-12 2017-06-27 阿里巴巴集团控股有限公司 一种异常交易数据的识别方法及装置
CN109145928A (zh) * 2017-06-16 2019-01-04 杭州海康威视数字技术股份有限公司 一种基于图像的车头朝向识别方法及装置
WO2020037960A1 (zh) * 2018-08-21 2020-02-27 深圳大学 一种sar目标识别方法、装置、计算机设备及存储介质
WO2020038240A1 (zh) * 2018-08-23 2020-02-27 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机可读存储介质及计算机设备
CN109766898A (zh) * 2018-12-26 2019-05-17 平安科技（深圳）有限公司 图像文字识别方法、装置、计算机设备及存储介质
CN109859204A (zh) * 2019-02-22 2019-06-07 厦门美图之家科技有限公司 卷积神经网络模型检验方法及装置
CN110321920A (zh) * 2019-05-08 2019-10-11 腾讯科技（深圳）有限公司 图像分类方法、装置、计算机可读存储介质和计算机设备
CN110162475A (zh) * 2019-05-27 2019-08-23 浙江工业大学 一种基于深度迁移的软件缺陷预测方法
CN110705583A (zh) * 2019-08-15 2020-01-17 平安科技（深圳）有限公司 细胞检测模型训练方法、装置、计算机设备及存储介质
CN110490950A (zh) * 2019-08-20 2019-11-22 腾讯科技（深圳）有限公司 图像样本生成方法、装置、计算机设备和存储介质
CN110738264A (zh) * 2019-10-18 2020-01-31 上海眼控科技股份有限公司 异常样本筛选、清洗、训练方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
V. BABY DEEPA ET AL.: "Mining rare event classes in noisy EEG by over sampling techniques", 《2010 INTERNATIONAL CONFERENCE ON INNOVATIVE COMPUTING TECHNOLOGIES (ICICT)》, pages 1 - 6 *
易玉根: "基于全局与局部信息的人脸识别研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 06, pages 138 - 18 *
杨凯等: "基于多源数据分析的TEDS故障识别技术研究", 《铁路计算机应用》, vol. 28, no. 04, pages 14 - 17 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560999A (zh) * 2021-02-18 2021-03-26 成都睿沿科技有限公司 一种目标检测模型训练方法、装置、电子设备及存储介质
CN112967134A (zh) * 2021-05-19 2021-06-15 北京轻松筹信息技术有限公司 网络训练方法、风险用户识别方法、装置、设备及介质
CN112967134B (zh) * 2021-05-19 2021-09-21 北京轻松筹信息技术有限公司 网络训练方法、风险用户识别方法、装置、设备及介质
CN113962274A (zh) * 2021-11-18 2022-01-21 腾讯科技（深圳）有限公司 一种异常识别方法、装置、电子设备及存储介质
CN113962274B (zh) * 2021-11-18 2022-03-08 腾讯科技（深圳）有限公司 一种异常识别方法、装置、电子设备及存储介质
CN114896307A (zh) * 2022-06-30 2022-08-12 北京航空航天大学杭州创新研究院 时间序列数据增强方法、装置和电子设备
CN114896307B (zh) * 2022-06-30 2022-09-27 北京航空航天大学杭州创新研究院 时间序列数据增强方法、装置和电子设备
CN116385807A (zh) * 2023-05-30 2023-07-04 南京信息工程大学 一种异常图像样本生成方法及装置
CN116385807B (zh) * 2023-05-30 2023-09-12 南京信息工程大学 一种异常图像样本生成方法及装置

Also Published As

Publication number Publication date
CN111401387B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111401387B (zh) 异常样本构建方法、装置、计算机设备和存储介质
CN111353512B (zh) 障碍物分类方法、装置、存储介质和计算机设备
CN112215201B (zh) 评估人脸识别模型、针对图像的分类模型的方法及装置
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
JP6330385B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN112884782B (zh) 生物对象分割方法、装置、计算机设备和存储介质
CN108830197A (zh) 图像处理方法、装置、计算机设备和存储介质
CN111310800B (zh) 图像分类模型生成方法、装置、计算机设备和存储介质
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN112633354B (zh) 路面裂缝检测方法、装置、计算机设备和存储介质
CN113870157A (zh) 一种基于CycleGAN的SAR图像合成方法
CN112001983B (zh) 生成遮挡图像的方法、装置、计算机设备和存储介质
CN109191418A (zh) 一种基于收缩自编码器特征学习的遥感图像变化检测方法
CN115239672A (zh) 缺陷检测方法及装置、设备、存储介质
CN117636400B (zh) 基于图像可识别动物身份的方法及系统
CN117853942A (zh) 用于云雾的识别方法、云雾识别装置及云雾识别系统
CN116612272A (zh) 一种图像处理智能数字化的检测系统及其检测方法
CN114119970B (zh) 目标跟踪方法及装置
CN112699809B (zh) 痘痘类别识别方法、装置、计算机设备及存储介质
CN114821098A (zh) 一种基于灰度梯度融合特征及cnn的高速路面破损检测算法
CN106803080B (zh) 一种基于形状玻尔兹曼机的补全式行人检测方法
CN116645661B (zh) 一种防重码检测方法及系统
CN111553418B (zh) 神经元重建错误的检测方法、装置和计算机设备
US20240242491A1 (en) Apparatus, method, and storage medium for improving result of inference by learning model
US20230005119A1 (en) Method for determining quality of inspection data using machine learning model, information processing apparatus, and non-transitory computer readable storage medium storing computer program

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