基于自监督的异常检测算法的制作方法

技术特征：
1.基于自监督的异常检测算法，其特征在于，包括以下步骤：步骤1：自监督数据准备；对原始数据集数据进行重写，原数据通过旋转90，180，270度，将数据集扩增至原始数据集的三倍，同时将原始数据集的类别标签转换成旋转角度标签；步骤2：特征抽取及重构；将第一步获取的数据集传入深度卷积自编码器，由encoder编码器和decoder解码器组成，encoder表示特征抽取，decoder表示特征重构，网络骨干是wideresnet 40-4网络；步骤3：基于自监督的对抗训练；对抗训练主要由gan模型完成，步骤2中深度卷机自编码器表示生成器，d表示鉴别器，这里的鉴别器d与传统鉴别器只鉴别输入数据和生成数据的真假不同，d不仅需要鉴别真假生成数据，还需要鉴别伪数据以及预测分类四个角度的输入数据步骤；步骤4：异常评分；异常评分模块主要由分类误差和重构误差组成，分类误差表示分类四个角度数据产生的误差；重构误差表示重构四个角度数据产生的误差。2.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤1中对原始数据集数据进行重写，原数据通过旋转0，90，180，270度，将数据集扩增至原始数据集的三倍，同时将原始数据集的类别标签转换成旋转角度标签(0，1，2，3)并且默认旋转图为正类图片，标签是0，以往的异常检测通常不会对数据进行数据增广，采用的标签也是原数据集的类别标签。3.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤1中：具体的自监督数据可表示为d
normal
＝{(x1,y1),(x2,y2),...,(x
m
,y
m
)},伪异常生成器数据可表示为d
abnormal
＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)},m,n分别代表样本个数，x∈r
d
，y
i
＝{(c，r)|c∈{0，1，}，r∈{0，1，2，3}},c表示类别标签(0表示自监督数据，即正类数据，1表示伪异常生成器数据，即异类数据)，r表示旋转角度标签(0，1，2，3分别表示旋转0，90，180，270度)，m＞＞n。4.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤2中将步骤1中获取的数据集传入生成器，利用深度卷积自编码器充当生成器，由encoder编码器和decoder解码器组成，encoder表示特征抽取，decoder表示特征重构，网络骨干wideresnet40-4网络，生成器的损失函数主要是l1重构损；4网络，生成器的损失函数主要是l1重构损；表示经过解码器生成的数据。5.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤3中对抗训练主要由gan模型(gan：生成对抗模型)完成，在步骤2中阐述深度卷机自编码器表示生成器，d表示鉴别器，这里的鉴别器d与传统鉴别器只鉴别输入数据和生成数据的真假不同，d不仅需要鉴别真假生成数据，还需要鉴别伪数据以及预测分类四个角度的输入数据。6.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤3中模块中还加入了伪数据生成器，伪数据生成器的构造流程是随机从数据集中选取两张没有经过旋转变换的原图，进行随机patch裁剪拼接成标准尺寸后作为伪数据(标签是1)传入鉴别器；标准的对抗损失：7.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，所述步骤4中异常
评分模块主要由分类误差和重构误差组成，分类误差表示分类四个角度数据产生的误差；重构误差表示重构四个角度数据产生的误差。8.根据权利要求1所述的基于自监督的异常检测算法，其特征在于，还包括方案测试阶段，所述方案测试阶段不需要伪异常生成器，只需要生成器和鉴别器，将输入数据进行随机角度变换后传入生成器获得重构损失，传入鉴别器获得分类损失，将两个损失进行相加后与异常阈值进行对比，高于阈值说明是异常输入，低于阈值说明是正常输入。

技术总结
本发明公开了基于自监督的异常检测算法，步骤1：自监督数据准备；对原始数据集数据进行重写，原数据通过旋转90，180，270度，将数据集扩增至原始数据集的三倍；步骤2：特征抽取及重构；将第一步获取的数据集传入深度卷积自编码器；步骤3：基于自监督的对抗训练；对抗训练主要由GAN模型完成；步骤4：异常评分；异常评分模块主要由分类误差和重构误差组成。本发明方案增加了伪异常生成器模块，该模块可以产生大量的异常图像，这就将原本无监督学习异常检测问题转换成了监督学习异常检测问题，可以有效的改善以往技术中的鉴别器不认识异常的不足。改善以往技术中的鉴别器不认识异常的不足。改善以往技术中的鉴别器不认识异常的不足。


技术研发人员：齐志泉 徐睿婕
受保护的技术使用者：北京中科星瞳科技有限公司
技术研发日：2021.02.03
技术公布日：2022/8/25