【基于深度学习的图像异常检测方法开题报告3400字】

[12]。目前很多对二阶段类算法的研究都是在基于算法高准确率的基础上，提高算法的检测速度。3.主要研究内容通过对深度异常检测方法的研究与阅读发现，在异常检测领域中主要存在两个问题，一个就是数据样本的类别不平衡，第二个问题就是在异常检测任务中，常常涉及特征提取的工作，因此，我们需要在数据的特征空间获取到能够真正表达数据的特征，才能更好地进行异常检测的任务。针对这两个问题，本文提出：1.提出了基于对抗网络并结合互信息的异常检测算法。由于基于自编码器的异常检测算法只对图像的像素层面进行约束，并鉴于生成对抗网络在其他研究方向取得的成果，本文使用了生成对抗网络的思想进行异常检测任务，不仅对图像的像素层面进行约束，同时结合互信息，帮助编码器更好地提取出图像特征，对图像的特征层面也进行约束。因此在特征空间中，正常图片的特征分布比异常图片的特征分布更紧致。实验将特征重构损失作为异常分数，结果表明，该模型的AUC在MNIST数据集上有较高水平，且在CIFAR10数据集和DCASE数据集上均有大幅提升。2.提出了基于非对抗网络的异常检测算法。该算法主要针对生成对抗网络存在的模式丢失和训练不稳定的问题，提出了利用非对抗生成网络进行改进的异常检测算法。不同于自编码器从图片重构出图片，该算法是从特征向量重构出特征向量的过程，通过对训练集进行PCA降维构造一个可学得的隐空间，将从隐空间中随机采样出的特征向量利用解码器重构出图片，再将重构图片用编码器重新编码到隐空间中。实验将图像重构差作为异常分数，结果表明基于非对抗网络的异常检测算法训练过程十分稳定，且在图片数据集和声音异常检测任务中都有不错的表现。4.研究方案和技术路线研究方案如下：第一章是部分。主要是对本文的研究背景和意义进行论述，还对本文的研究内容的国内外相关工作进行了大致的介绍，同时还对每类方法所存在的优缺点进行了简单分析。在现有的一些研究技术基础上，提出本文所研究的基于对抗网络和非对抗网络这两种异常检测模型，并提出一种基于对抗样本的模型鲁棒性测试方法，最后对本论文的主要研究内容以及全文的组织结构进行了说明。第二章部分异常检测相关知识介绍。主要对异常检测方法涉及的相关基础知识进行了简单介绍，其中包括传统的异常检测方法，深度学习网络中一些基本模型，以及对抗攻击领域的简单介绍。第三部分是基于对抗网络的异常检测方法。主要介绍了如何使用生成对抗网络进行异常检测任务，分析之前的基于自编码器的异常检测方法存在的问题，并通过对模型添加互信息模块，提出新的基于对抗生成网络异常检测方法，最后通过实验对提出的算法的有效性进行了验证。第四部分是基于非对抗网络的异常检测方法。提出了一种基于非对抗网络模型的异常检测方法，分析生成对抗网络存在的问题，以及解决这些问题的迫切性，提出新的基于非对抗网络的异常检测方法，最后通过实验对提出算法的有效性进行了验证。第五部分是总结与展望。对本文所做的工作以及研究的主要内容进行了总结，对研究的结果进行了分析，同时指出算法中存在的不足以及往后可以进一步改进的方向。5.研究的特色与创新之处首先，研究视角的创新。随着数据形式的不断丰富与扩大以及深度学习技术在计算机视觉领域不断做出重大突破的趋势，深度异常检测方法也受到越来越多人的关注。虽然经过大量专家和学者的多年研究，涌现了不少准确率较高的异常检测算法。但是，由于对抗样本的存在，对以往效果较好的异常检测算法的鲁棒性造成影响。因此，深度异常检测算法正面临着大量的问题与挑战。本文通过对深度异常检测的相关文献进行仔细的阅读与研究，初步了解了深度异常检测算法中存在的问题与难点，提出了新的深度异常检测算法以及对模型鲁棒性进行检测。其次，研究方法的创新。由于对抗样本在深度神经网络中普遍存在，对异常检测任务带来极大的挑战，因此本文提出了基于对抗样本的模型鲁棒性测试方法。本文采用了FGSM、BIM、DeepFool和BoundaryAttack这四种比较经典的对抗攻击方式，在GTSRB数据集中的STOP标志中生成对抗样本，对基于对抗网络的异常检测模型和基于非对抗网络的异常检测模型进行了鲁棒性测试。6.预期研究成果本文通过对深度异常检测的相关文献进行仔细的阅读与研究，初步了解了深度异常检测算法中存在的问题与难点，提出了新的深度异常检测算法以及对模型鲁棒性进行检测。7.主要参考文献LiuW,AnguelovD,ErhanD,etal.SSD:SingleshotmultiBoxdetector[C].EuropeanConferenceonComputerVision(ECCV).Springer:Cham,2016:21-37.HuangR,PedoeemJ,ChenC.YOLO-LITE:Areal-timeobjectdetectionalgorithmoptimizedfornon-gpucomputers[C].2018IEEEInternationalConferenceonBigData(BigData).IEEE,2018:2503-2510.HuangZ,WangJ,FuX,etal.DC-SPP-YOLO:Denseconnectionandspatialpyramidpoolingbasedyoloforobjectdetection[J].InformationSciences,2020,522:241-258.LinTY,DollarP,GirshickR,etal.Featurepyramidnetworksforobjectdetection[C]2017IEEEConferenceonComputerVisionandPatternRecognition(CVPR).IEEEComputerSociety,2017:2117-2125.LiuS,HuangD,WangY.Receptivefieldblocknetforaccurateandfastobjectdetection[C].EuropeanConferenceonComputerVision(ECCV).2018:385-400.LawH,DengJ.Cornernet:Detectingobjectsaspairedkeypoints[C].EuropeanConferenceonComputerVision(ECCV).2018:734-750.EveringhamM,WinnJ.Thepascalvisualobjectclasseschallenge2007(VOC2007)developmentkit[J].InternationalJournalofComputerVision,2007,111(1):98-136.EveringhamM,WinnJ.Thepascalvisualobjectclasseschallenge2012(VOC2012)developmentkit[J].StatisticalModelingandComputationalLearning,2011.李昊东,庄培裕,李斌.基于深度学习的数字图像篡改定位方法综述[J].信号处理,2021,37(12):2278-2301.杨洁.基于深度学习的无监督图像异