Nothing Special   »   [go: up one dir, main page]

CN114332578A - 图像异常检测模型训练方法、图像异常检测方法和装置 - Google Patents

图像异常检测模型训练方法、图像异常检测方法和装置 Download PDF

Info

Publication number
CN114332578A
CN114332578A CN202111079651.0A CN202111079651A CN114332578A CN 114332578 A CN114332578 A CN 114332578A CN 202111079651 A CN202111079651 A CN 202111079651A CN 114332578 A CN114332578 A CN 114332578A
Authority
CN
China
Prior art keywords
label
image
training
model
loss
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.)
Pending
Application number
CN202111079651.0A
Other languages
English (en)
Inventor
张博深
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.)
Guangzhou Tencent Technology Co Ltd
Original Assignee
Guangzhou Tencent Technology 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 Guangzhou Tencent Technology Co Ltd filed Critical Guangzhou Tencent Technology Co Ltd
Priority to CN202111079651.0A priority Critical patent/CN114332578A/zh
Publication of CN114332578A publication Critical patent/CN114332578A/zh
Priority to PCT/CN2022/110998 priority patent/WO2023040510A1/zh
Priority to US18/141,011 priority patent/US20230267730A1/en
Pending legal-status Critical Current

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • 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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本申请涉及一种图像异常检测模型训练方法、图像异常检测方法、装置、计算机设备和存储介质。本发明实施例可应用于云技术、人工智能、智慧交通等各种场景。该方法包括：将训练图像输入初始图像异常检测模型得到目标预测标签；基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为更新的当前映射标签；基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到预测准确性高的目标图像异常检测模型。

Description

图像异常检测模型训练方法、图像异常检测方法和装置
技术领域
本申请涉及计算机技术领域，特别是涉及一种图像异常检测模型训练方法、图像异常检测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的进步，图像被广泛应用在各行各业，对于图像质量的要求也是越来越高。可以通过训练机器学习模型来检测图像是否出现异常，从而筛选出有异常、质量较低的图像。
传统技术中，通常是基于训练图像对机器学习模型进行模型训练。训练图像通常是简单的二分类图像，即训练图像分为正常图像和异常图像。然而，异常图像通常对应各种不同程度的异常情况，简单的二分类标签可能带有很多主观性，进而导致训练图像的训练标签带有噪声，基于这样的训练图像训练得到的模型存在准确性低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高模型预测准确性的图像异常检测模型训练方法、图像异常检测方法、装置、计算机设备和存储介质。
一种图像异常检测模型训练方法，所述方法包括：
获取训练图像和训练图像的训练标签对应的当前映射标签；
将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
一种图像异常检测模型训练装置，所述装置包括：
训练数据获取模块，用于获取训练图像和训练图像的训练标签对应的当前映射标签；
模型预测模块，用于将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
模型反馈数据确定模块，用于基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
标签调整模块，用于基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
模型调整模块，用于基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
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：
获取训练图像和训练图像的训练标签对应的当前映射标签；
将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
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：
获取训练图像和训练图像的训练标签对应的当前映射标签；
将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
一种图像异常检测方法，所述方法包括：
获取待检测图像；
将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
一种图像异常检测装置，所述装置包括：
图像获取模块，用于获取待检测图像；
标签预测模块，用于将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
检测结果确定模块，用于基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
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：
获取待检测图像；
将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
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：
获取待检测图像；
将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
上述图像异常检测模型训练方法、图像异常检测方法、装置、计算机设备和存储介质，通过获取训练图像和训练图像的训练标签对应的当前映射标签，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签，基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。这样，在模型训练时，同步调整当前映射标签和模型参数，利用模型的特征学习能力对带有噪声的训练标签对应的当前映射标签进行自纠正，可以有效过滤噪声数据对模型的性能影响，大幅提升模型的性能，最终训练得到准确性较高的图像异常检测模型。后续在模型应用时，基于准确性较高的图像异常检测模型可以得到准确性较高的图像异常检测结果。
附图说明
图1为一个实施例中图像异常检测模型训练方法、图像异常检测方法的应用环境图；
图2为一个实施例中图像异常检测模型训练方法的流程示意图；
图3为另一个实施例中图像异常检测模型训练方法的流程示意图；
图4为又一个实施例中图像异常检测模型训练方法的流程示意图；
图5为一个实施例中图像异常检测方法的流程示意图；
图6为一个实施例中花屏图像的示意图；
图7为一个实施例中图像花屏检测模型训练方法的流程示意图；
图8为一个实施例中图像花屏检测结果的示意图；
图9为一个实施例中图像异常检测模型训练装置的结构框图；
图10为一个实施例中图像异常检测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图；
图12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。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
自然语言处理(Nature Language processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的方案涉及人工智能的计算机视觉技术、自然语言处理、机器学习等技术，具体通过如下实施例进行说明：
本申请提供的图像异常检测模型训练方法、图像异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、车载终端、路侧终端和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群或者云服务器来实现。
终端102和服务器104均可单独用于执行本申请实施例中提供的图像异常检测模型训练方法、图像异常检测方法。
例如，服务器获取训练图像和训练图像的训练标签对应的当前映射标签，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签。服务器基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签。服务器基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
服务器获取待检测图像，将待检测图像输入目标图像异常检测模型，得到待检测图像对应的模型预测标签，基于模型预测标签确定待检测图像对应的图像异常检测结果。
终端102和服务器104也可协同用于执行本申请实施例中提供的图像异常检测模型训练方法、图像异常检测方法。
例如，服务器从终端获取训练图像和训练图像的训练标签对应的当前映射标签，服务器将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签。服务器基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签。服务器基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。服务器将目标图像异常检测模型发送至终端。
终端获取待检测图像，终端将待检测图像输入目标图像异常检测模型，得到待检测图像对应的模型预测标签，终端基于模型预测标签确定待检测图像对应的图像异常检测结果。
在一个实施例中，如图2所示，提供了一种图像异常检测模型训练方法，以该方法应用于图1中的计算机为例进行说明，可以理解的是，计算机设备可以是终端102，也可以是服务器104。本实施例中，图像异常检测模型训练方法包括以下步骤：
步骤S202，获取训练图像和训练图像的训练标签对应的当前映射标签。
其中，训练图像是指用于模型训练的图像。图像可以是图片，也可以是视频中的视频帧。训练标签是人工标注的标签，用于标识训练图像的图像异常判定结果。训练标签可以是二分类标签，例如存在异常的图像对应的训练标签为负标签，用1表示，没有异常的图像对应的训练标签为正标签，用0表示。训练标签也可以是多分类标签，例如，没有异常的图像对应的训练标签为第一标签，用0表示，存在明显异常的图像对应的训练标签为第二标签，用1表示，存在轻微异常的图像对应的训练标签为第三标签，用2表示。
进一步的，针对不同类型的图像异常可以设置不同的模型训练样本，各个模型训练样本用于专门训练对应的图像异常检测模型。例如，图像异常包括图像花屏、图像模糊、图像马赛克、图像拖影等类型。以图像花屏和图像模糊为例，针对图像花屏，可以专门训练图像花屏检测模型，图像花屏检测模型对应的训练样本中训练图像的训练标签用于标识图像中是否存在花屏。针对图像模糊，可以专门训练图像模糊检测模型，图像模糊检测模型对应的训练样本中训练图像的训练标签用于标识图像中是否存在模糊。可以理解，每次参与模型训练的训练图像可以有多个。
初始的当前映射标签是对训练标签进行映射转换得到的，该当前映射标签用于将离散的训练标签转换为模型易于学习、计算的数据。一种训练标签通常是用一个常数值来表示，经过映射转换后，该训练标签对应的当前映射标签可以用向量来表示。在一个实施例中，各个初始的当前映射标签之间的距离是一致的。
具体地，计算机设备可以在本地、或从其他终端、服务器获取图像异常检测模型的训练样本，训练样本包括训练图像和训练图像对应的训练标签。计算机设备可以对训练标签进行映射转换得到当前映射标签。可以理解，计算机设备可以采用自定义的算法或公式进行映射转换。当然，训练样本也可以直接包括训练图像、对应的训练标签和当前映射标签。
步骤S204，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签。
其中，初始图像异常检测模型是指待训练的图像异常检测模型。图像异常检测模型是机器学习模型，具体可以是卷积神经网络、深度神经网络等类型的模型。图像异常检测模型的输入数据为图像，输出数据为预测标签。预测标签用于标识输入图像是否异常的概率。预测标签也可以用向量来表示。
具体地，计算机设备可以将训练图像输入初始图像异常检测模型，经过初始图像异常检测模型对输入数据的数据处理，可以输出训练图像对应的目标预测标签。
在一个实施例中，初始图像异常检测模型可以是原始的图像异常检测模型，原始的图像异常检测模型中模型参数是随机初始化的，也就是，初始图像异常检测模型可以是没有经过任何模型训练的原始模型。初始图像异常检测模型也可以是经过预训练的图像异常检测模型，也就是，初始图像异常检测模型可以是对原始的图像异常检测模型进行预训练得到的。
步骤S206，基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据。
具体地，计算机设备基于训练图像的训练标签对应的当前映射标签和目标预测标签之间的数据分布差异可以计算得到模型反馈数据。例如，可以计算训练图像的训练标签对应的当前映射标签和目标预测标签之间的距离得到分类损失，将分类损失作为模型反馈数据。也可以基于训练标签和目标预测标签得到先验损失，基于分类损失和先验损失得到模型反馈数据。也可以基于目标预测标签得到自熵损失，基于分类损失、先验损失和自熵损失得到模型反馈数据，基于分类损失和自熵损失得到模型反馈数据。其中，分类损失、先验损失和自熵损失均可以采用对数据进行散度计算的方式得到，也可以采用对数据进行交叉熵计算的方式得到，还可以采用自定义公式、算法等方式计算得到。
步骤S208，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签。
具体地，数据变化参考信息用于衡量模型反馈数据沿当前映射标签方向上的数据变化速度。可以理解，模型反馈数据是基于当前映射标签和目标预测标签得到的，对于模型反馈数据来说，当前映射标签和目标预测标签都是变量，由于标签损失用于调整训练标签对应的当前映射标签，因此，计算机设备可以基于模型反馈数据在当前映射标签方向上的变化速度生成数据变化参考信息，进而基于数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为新的当前映射标签。例如，梯度可以用于衡量函数沿某一方向的变化速度，因此，计算机设备可以计算模型反馈数据对当前映射标签的梯度得到损失梯度，将损失梯度作为数据变化参考信息，基于损失梯度得到标签损失，基于标签损失调整当前映射标签得到更新的当前映射标签。当然，计算机设备也可以采用自定义公式或算法计算数据变化参考信息。
其中，基于数据变化参考信息生成标签损失可以是将数据变化参考信息作为标签损失，也可以是将数据变化参考信息和超参数进行融合，将融合后的数据作为标签损失。超参数可以是预设的固定值，超参数也可以作为一种模型参数，在模型训练过程中调整和学习。
步骤S210，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
其中，目标图像异常检测模型是指训练完成的图像异常检测模型。
具体地，除了基于模型反馈数据调整当前映射标签，计算机设备还需要基于模型反馈数据同步调整模型参数。计算机设备可以基于模型反馈数据进行反向传播来更新初始图像异常检测模型的模型参数，从而得到新的初始图像异常检测模型，即更新的初始图像异常检测模型。计算机设备可以将训练图像输入更新的初始图像异常检测模型，得到更新的目标预测标签，基于更新的当前映射标签和更新的目标预测标签生成更新的模型反馈数据，基于更新的模型反馈数据再次调整当前映射标签和初始图像异常检测模型的模型参数，重复上述步骤，直至满足模型收敛条件，停止训练，得到目标图像异常检测模型。模型收敛条件可以是模型迭代次数达到预设迭代次数、模型反馈数据的数值小于预设目标数值、模型反馈数据的变化率小于预设变化率、模型反馈数据最小化等。
在一个实施例中，计算机设备可以基于模型反馈数据通过梯度下降算法来调整初始图像异常检测模型的模型参数。
在一个实施例中，计算机设备可以基于模型反馈数据对当前映射标签和初始图像异常检测模型进行训练，直至满足模型收敛条件，得到中间图像异常检测模型和目标映射标签，直接将中间图像异常检测模型作为目标图像异常检测模型。进一步的，计算机设备还可以保持目标映射标签不变，将训练图像输入中间图像异常检测模型得到更新预测标签，基于更新预测标签和目标映射标签计算更新损失，基于更新损失对中间图像异常检测模型进行训练，直至满足模型收敛条件，得到目标图像异常检测模型。
在一个实施例中，目标图像异常检测模型为图像花屏检测模型、图像模糊检测模型和图像马赛克检测模型中的任意一种。
其中，图像花屏检测模型用于检测输入图像是否存在花屏现象。花屏现象是由于图像在编解码过程中出现问题而造成的图像异常。图像模糊检测模型用于检测输入图像是否存在模糊现象。模糊现象是在图像拍摄时，由于拍摄装置的拍摄参数或拍摄角度而造成的图像异常。图像马赛克检测模型用于检测输入图像是否存在马赛克现象。马赛克现象是由于图像局部区域的色阶细节劣化而造成的图像异常。
上述图像异常检测模型训练方法中，通过获取训练图像和训练图像的训练标签对应的当前映射标签，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签，基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。这样，在模型训练时，同步调整当前映射标签和模型参数，利用模型的特征学习能力对带有噪声的训练标签对应的当前映射标签进行自纠正，可以有效过滤噪声数据对模型的性能影响，大幅提升模型的性能，最终训练得到准确性较高的图像异常检测模型。后续在模型应用时，基于准确性较高的图像异常检测模型可以得到准确性较高的图像异常检测结果。
在一个实施例中，获取训练图像和训练图像的训练标签对应的当前映射标签，包括：
基于训练标签对应的标签类别数量，对训练标签进行标签编码，得到当前映射标签。
其中，标签类别数量是指训练标签的标签类别个数。例如，若训练标签为二分类标签，那么标签类别数量为2，若训练标签为四分类标签，那么标签类别数量为4。标签编码用于将训练标签转换为由二进制来表示的数据。
具体地，计算机设备可以基于训练标签对应的标签类别数量对训练标签进行标签编码，将训练标签映射转换为初始的当前映射标签。计算机设备具体可以基于标签类别数量确定初始的当前映射标签对应的向量维度数量，各个向量维度上的初始向量值默认为第一预设值，依次将各个向量维度上的初始向量值分别转换为第二预设值，从而得到各个标签类别的训练标签对应的当前映射标签。一个向量维度对应一种标签类别，各个向量维度上的向量值表示图像属于对应标签类别的概率。例如，若训练标签为二分类标签，标签类别数量为2，那么初始的当前映射标签对应的向量维度数量为2，即当前映射标签为二维向量。二维向量的初始形态可以是[0，0]，即第一预设值为0，第二预设值为1。依次将各个向量维度上的初始值分别转换为第二预设值，那么二分类标签中的正标签对应的当前映射标签为[0，1]，负标签对应的当前映射标签为[1，0]。以[0，1]为例，0表示图像属于负标签的概率，1表示图像属于正标签的概率。若训练标签为三分类标签，标签类别数量为3，那么初始的当前映射标签对应的向量维度数量为3，即当前映射标签为三维向量。三维向量的初始形态可以是[0，0，0]，三分类标签中的第一标签对应的当前映射标签为[0，0，1]，第二标签对应的当前映射标签为[0，1，0]，第三标签对应的当前映射标签为[1，0，0]。初始的当前映射标签两两之间的距离相同。当然，第一预设值也可以为1，第二预设值为0。可以理解，后续随着模型、网络的更新，当前映射标签会逐渐被软化，例如，负标签对应的当前映射标签[1，0]会调整为[0.8，0.2]。
本实施例中，基于训练标签对应的标签类别数量对训练标签进行标签编码，得到初始的当前映射标签，初始的当前映射标签由二进制数据组成，并且两两之间的距离相同，易于被模型学习和计算。
在一个实施例中，如图3所示，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签之前，所述方法还包括：
步骤S302，将训练图像输入候选图像异常检测模型，得到训练图像对应的初始预测标签。
步骤S304，基于训练标签和初始预测标签之间的标签差异，调整候选图像异常检测模型的模型参数，直至满足第一收敛条件，得到初始图像异常检测模型。
其中，候选图像异常检测模型为原始的图像异常检测模型，候选图像异常检测模型中的模型参数可以是随机初始化的，也可以是人为设置的初始值。
具体地，除了直接获取候选图像异常检测模型作为初始图像异常检测模型，计算机设备还可以对候选图像异常检测模型进行预训练，将训练后的候选图像异常检测模型作为初始图像异常检测模型。在训练候选图像异常检测模型时，只调整模型参数，不调整训练标签，使得后续针对初始图像异常检测模型的模型训练可以比从头开始训练更快地收敛。
在训练时，计算机设备将训练图像输入候选图像异常检测模型，经过候选图像异常检测模型对输入数据的数据处理，可以输出训练图像对应的初始预测标签。计算机设备可以基于训练标签和初始预测标签之间的标签差异生成训练损失，基于训练损失进行反向传播来更新候选图像异常检测模型的模型参数，直至满足第一收敛条件，得到初始图像异常检测模型。其中，可以计算训练标签和初始预测标签之间的距离得到训练损失，例如，对初始预测标签和训练标签进行散度计算得到训练损失，对初始预测标签和训练标签进行交叉熵计算得到训练损失。第一收敛条件可以是模型迭代次数达到第一预设阈值，训练损失的数值小于预设训练数值等。
本实施例中，对候选图像异常检测模型进行预训练得到初始图像异常检测模型，能够降低初始图像异常检测模型的训练难度，提高训练速度。可以理解，若直接获取候选图像异常检测模型作为初始图像异常检测模型，由于模型参数随机初始化，同时更新模型参数和当前映射标签的话难度较大，训练可能出现不稳定的情况。因此一开始先固定住当前映射标签，只更新网络参数，对候选图像异常检测模型进行模型训练得到初始图像异常检测模型，后续在训练初始图像异常检测模型时，再同时更新模型参数和当前映射标签，这样可以有效降低训练难度。
在一个实施例中，基于当前映射标签和目标预测标签生成模型反馈数据，包括：
对当前映射标签和目标预测标签进行散度计算，得到第一损失；获取训练标签对应的标签分布比例，基于标签分布比例和目标预测标签得到第二损失；标签分布比例是基于训练标签对应的各个标签类别的训练图像数量确定的；基于第一损失和第二损失得到模型反馈数据。
其中，散度计算是一种度量两个数据之间分布差异的计算方式。标签分布比例用于表示各个标签类别之间的训练图像分布情况。标签分布比例是基于训练标签对应的各个标签类别的训练图像数量确定的，具体可以是将各个标签类别的训练图像数量之间的比值作为标签分布比例。例如，若训练标签为二分类标签，具备正标签的图像有30个，具备负标签的图像有30个，那么标签分布比例为30:30＝1:1。若训练标签为三分类标签，具备第一标签的图像有30个，具备第二标签的图像有30个，具备第三标签的图像有60个，那么标签分布比例为30:30:60＝1:1:2。
具体地，计算机设备可以对当前映射标签和目标预测标签进行散度计算得到第一损失，第一损失用于衡量当前模型输出的预测概率与人工标注数据的差异，第一损失也可以称为分类损失。除了第一损失，计算机设备还可以获取训练标签对应的标签分布比例，基于标签分布比例和目标预测标签计算第二损失，第二损失用于衡量当前模型输出的预测概率与先验的标签分布比例的距离，第二损失也可以称为先验损失。先验损失的目的是让预测概率不要和标签分布比例相差的太远。计算机设备将计算得到的第一损失和第二损失进行融合可以得到模型反馈数据，例如，将第一损失和第二损失相加得到模型反馈数据，将第一损失和第二损失的加权和作为模型反馈数据。
可以理解，人工标注标签虽然带有噪声，但是通常情况下，大部分人工标注标签的准确性还是比较高的，即大部分人工标注标签是正确的，只有少部分人工标注标签带有噪声，因此，引入第二损失，希望目标预测标签和标签分布比例不要相差太大，以此来提高模型反馈数据的准确性。
本实施例中，通过对当前映射标签和目标预测标签进行散度计算，得到第一损失，基于标签分布比例和目标预测标签得到第二损失，基于第一损失和第二损失得到模型反馈数据。模型反馈数据由不同类型的损失组成，基于这样的模型反馈数据调整模型参数和当前映射标签来训练模型，可以提高模型训练的准确性。
在一个实施例中，对当前映射标签和目标预测标签进行散度计算，得到第一损失，包括：
对当前映射标签和目标预测标签的比值进行对数变换，得到标签变换比例；将标签变换比例和目标预测标签进行融合，得到第一损失。
具体地，计算机设备可以计算当前映射标签和目标预测标签的比值，对该比值进行对数变换，从而得到用于计算第一损失的标签变换比例。具体可以将预设值作为底数，以当前映射标签和目标预测标签的比值作为真数进行对数变换得到标签变换比例，也可以将预设值作为底数，以该比值与常量值的融合值作为真数进行对数变换得到标签变换比例。其中，预设值和常量值可以根据需要进行设置，例如，预设值和常量值为大于1的数据。融合值可以是当前映射标签和目标预测标签的比值与常量值的和，也可以是当前映射标签和目标预测标签的比值与常量值的乘积等。进而，计算机设备可以将目标预测标签和标签变换比例进行融合，得到第一损失，例如，将目标预测标签和标签变换比例的乘积作为第一损失，将目标预测标签和标签变换比例的加权乘积作为第一损失。
可以理解，当前映射标签和目标预测标签越接近，标签变换比例越接近于零。第一损失的优化方向为当前映射标签和目标预测标签越接近越好。
在一个实施例中，第一损失的计算公式如下：
Figure BDA0003263496920000171
其中，Lc表示第一损失，p表示目标预测标签，
Figure BDA0003263496920000172
表示当前映射标签。
Figure BDA0003263496920000173
表示标签变换比例。p和
Figure BDA0003263496920000174
为向量，在计算Lc时，p和
Figure BDA0003263496920000175
中同一向量维度的向量值基于上述公式进行计算，基于各个向量维度的计算结果最终得到Lc。
本实施例中，通过对当前映射标签和目标预测标签的比值进行对数变换，得到标签变换比例，将标签变换比例和目标预测标签进行融合可以快速得到第一损失。当前映射标签和目标预测标签越接近、越相似，第一损失越接近于零。
在一个实施例中，对当前映射标签和目标预测标签进行散度计算，得到第一损失，包括：
对当前映射标签和目标预测标签进行统计，得到标签统计信息；对标签统计信息和目标预测标签的比值进行对数变换，得到第一变换比例，对标签统计信息和当前映射标签的比值进行对数变换，得到第二变换比例；将目标预测标签和第一变换比例进行融合，得到第一子损失，将第二变换比例和当前映射标签进行融合，得到第二子损失；基于第一子损失和第二子损失得到第一损失。
具体地，计算机设备可以对当前映射标签和目标预测标签进行统计，将统计结果作为标签统计信息，例如，将当前映射标签和目标预测标签的均值作为标签统计信息，将当前映射标签和目标预测标签的和作为标签统计信息。进而，计算机设备对标签统计信息和目标预测标签的比值进行对数变换得到第一变换比例，对标签统计信息和当前映射标签的比值进行对数变换，得到第二变换比例。例如，将预设值作为底数，以标签统计信息和目标预测标签的比值作为真数进行对数变换得到第一变换比例，将预设值作为底数，以标签统计信息和当前映射标签的比值作为真数进行对数变换得到第二变换比例。计算机设备将目标预测标签和第一变换比例进行融合得到第一子损失，将当前映射标签和第二变换比例进行融合得到第二子损失，例如，将目标预测标签和第一变换比例的乘积作为第一子损失，将当前映射标签和第二变换比例的乘积作为第二子损失。最终，计算机设备基于第一子损失和第二子损失可以得到第一损失，例如，将第一子损失和第二子损失相加得到第一损失，将第一子损失和第二子损失的加权和作为第一损失。
可以理解，当前映射标签和目标预测标签越接近，第一变换比例和第二变换比例越接近于零。当前映射标签和目标预测标签越接近，第一损失越小。
在一个实施例中，第一损失的计算公式如下：
Figure BDA0003263496920000181
其中，Lc表示第一损失，p表示目标预测标签，
Figure BDA0003263496920000182
表示当前映射标签。
Figure BDA0003263496920000183
表示标签统计信息，
Figure BDA0003263496920000184
表示第一变换比例，
Figure BDA0003263496920000185
表示第二变换比例。
Figure BDA0003263496920000186
Figure BDA0003263496920000187
表示第一子损失，
Figure BDA0003263496920000188
表示第二子损失。
本实施例中，通过对当前映射标签和目标预测标签进行统计，得到标签统计信息，对标签统计信息和目标预测标签的比值进行对数变换，得到第一变换比例，对标签统计信息和当前映射标签的比值进行对数变换，得到第二变换比例，将目标预测标签和第一变换比例进行融合，得到第一子损失，将第二变换比例和当前映射标签进行融合，得到第二子损失，基于第一子损失和第二子损失可以快速得到第一损失。当前映射标签和目标预测标签越接近、越相似，第一子损失、第二子损失越接近于零，进而，第一损失越接近于零。
在一个实施例中，获取训练标签对应的标签分布比例，基于标签分布比例和目标预测标签得到第二损失，包括：
对标签分布比例进行向量化处理，得到标签分布向量；对标签分布向量和目标预测标签进行交叉熵计算，得到第二损失。
其中，交叉熵计算是一种度量两个数据之间分布差异的计算方式。标签分布向量和目标预测标签越接近，第二损失越小。
具体地，标签分布比例用于表示各个标签类别的训练图像数量之间的对比关系，为了便于和目标预测标签进行计算，需要对标签分布比例进行向量化处理，将标签分布比例转换为标签分布向量。标签分布向量与目标预测标签的向量维度相同，标签分布向量的向量维度数量为标签类别数量。计算机设备可以将各个标签类别对应的训练图像数量和训练图像总数量的比值作为标签分布向量中各个向量维度的向量值。例如，训练标签为二分类标签，标签分布比例为30:30＝1:1，那么标签分布向量可以是[1/2，1/2]，即[0.5，0.5]。进而，计算机设备可以对标签分布向量和目标预测标签进行交叉熵计算得到第二损失，具体可以是将预设值作为底数，以目标预测标签作为真数进行对数变换，将标签分布向量和对数变换后的目标预测标签进行融合，将融合结果取相反数得到第二损失。
在一个实施例中，第二损失的计算公式如下；
Lp＝-pprior*logp
其中，Lp表示第二损失，pprior表示标签分布向量，p表示目标预测标签。
本实施例中，通过对标签分布比例进行向量化处理得到标签分布向量，对标签分布向量和目标预测标签进行交叉熵计算，可以快速得到第二损失。
在一个实施例中，基于第一损失和第二损失得到模型反馈数据，包括：
对目标预测标签进行信息熵计算，得到第三损失；基于第一损失、第二损失和第三损失得到模型反馈数据。
其中，信息熵计算是一种度量数据中信息量的计算方式。对一个数据进行信息熵计算相当于将该数据和自身进行交叉熵计算。目标预测标签和对训练标签进行标签编码得到的当前映射标签越接近，第三损失越小。
具体地，第三损失用于约束第一损失，避免模型陷入局部最优。可以理解，网络的更新过程中由于人工标注标签的信息也在同步更新(即当前映射标签也在同步更新)，而网络学习的目的是使得模型输出与标签信息越接近越好，那么显而易见的，只需要将人工标签信息更新到和模型输出完全一致，这种情况下第一损失就等于0了，然而此时的模型输出可能是乱序的，因为训练开始的时候模型参数是随机初始化的。因此，为了避免这种情况的发生，引入第三损失，将第三损失作为正向项，来约束第一损失。
计算机设备可以对目标预测标签进行信息熵计算得到第三损失，具体可以是将预设值作为底数，以目标预测标签作为真数进行对数变换，将目标预测标签和对数变换后的目标预测标签进行融合，将融合结果取相反数得到第三损失。第三损失的优化方向是使得模型输出尽可能接近于对训练标签进行标签编码得到的当前映射标签。
在一个实施例中，第三损失的计算公式如下：
Le＝-p*logp
其中，Le表示第三损失，p表示目标预测标签。
在一个实施例中，基于第一损失、第二损失和第三损失得到模型反馈数据，包括：
获取第一损失、第二损失和第三损失分别对应的损失权重；第二损失对应的损失权重随着训练图像中噪声图像对应的噪声图像比例的增加而减少；基于损失权重对第一损失、第二损失和第三损失进行融合，得到模型反馈数据。
其中，噪声图像是指带有噪声的训练图像。噪声图像是从多个标签类别中难以确定其对应的准确标签类别的图像，也就是，噪声图像对应的训练标签的标签准确度低于预设准确度。例如，训练标签为二分类标签，正标签表示正常图像，负训练标签表示花屏图像，对于只有轻微花屏或局部花屏的图像，难以确定其对应的准确标签，有些人会将其标注为对应正标签，有些人会将其标注为对应负标签。因此，可以收集多个用户对同一训练图像的标签标注信息，对各个标签标注信息进行统计分析，基于统计分析结果确定训练图像对应的标签准确度，例如，计算各个标签类别对应的标注比例，从中选取最大的标注比例作为标签准确度。而预设准确度可以根据需要进行设置，例如，设置为0.8。举例说明，针对训练图像A，3个用户给出的标签标注信息为正标签，3个用户给出的标签标注信息为负标签，那么标签准确度为3/6＝0.5<0.8，因此训练图像A为噪声图像。
噪声图像比例是指噪声图像的数量占训练图像总数量的比例。例如，训练图像有100个，其中的噪声图像有20个，那么噪声图像比例为20/100＝0.2。
具体地，在基于第一损失、第二损失和第三损失得到模型反馈数据时，计算机设备可以获取第一损失、第二损失和第三损失分别对应的损失权重，基于各个损失对应的损失权重对各个损失进行加权融合，从而得到模型反馈数据。其中，各个损失权重可以是预设的固定值，也可以作为一种模型参数，在模型训练过程中调整和学习。
进一步的，由于第二损失的目的是让模型输出不要和标签分布比例相差的太远，若训练图像中噪声图像占的比例较多，那么可以适当减少第二损失对应的损失权重，避免噪声图像对模型训练造成不好的影响。因此，第二损失对应的损失权重可以随着训练图像中噪声图像对应的噪声图像比例的增加而减少。
在一个实施例中，模型反馈数据的计算公式如下：
L＝Lc+αLe+βLp
其中，L表示模型反馈数据(也可以称为损失函数)，Lc表示第一损失，Lp表示第二损失，Le表示第三损失。第一损失对应的损失权重为1，第二损失对应的损失权重为β，第三损失对应的损失权重为α。
本实施例中，通过获取第一损失、第二损失和第三损失分别对应的损失权重，基于损失权重对第一损失、第二损失和第三损失进行融合得到模型反馈数据。其中，第二损失对应的损失权重随着训练图像中噪声图像对应的噪声图像比例的增加而减少，进而能够避免在噪声数据较多的情况下第二损失影响模型训练的训练效果。
在一个实施例中，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，包括：
基于模型反馈数据对当前映射标签进行梯度计算，得到数据变化参考信息；获取模型学习率，基于模型学习率调整数据变化参考信息，得到标签损失；基于当前映射标签和标签损失之间的距离得到更新映射标签。
其中，模型学习率是一种超参数，可以是预设的固定值，也可以作为一种模型参数，在模型训练过程中调整和学习。
具体地，计算机设备可以计算模型反馈数据对当前映射标签的梯度，将计算结果作为数据变化参考信息，也就是，基于模型反馈数据对当前映射标签进行梯度计算得到数据变化参考信息。可以理解，由于自熵损失是基于目标预测标签得到的，与当前映射标签无关，即使模型反馈数据包括自熵损失，基于该模型反馈数据对当前映射标签进行梯度计算得到的数据变化参考信息也不会受自熵损失的影响。进而，计算机设备可以获取模型学习率，将模型学习率和数据变化参考信息进行融合得到标签损失，例如，将模型学习率和数据变化参考信息的乘积作为标签损失，将模型学习率和数据变化参考信息的加权乘积作为标签损失等。然后，计算机设备计算当前映射标签和标签损失之间的距离，将计算得到的距离作为更新的更新映射标签。例如，将当前映射标签和标签损失的差值作为更新映射标签。后续，将更新映射标签作为新的当前映射标签，参与下一轮的模型迭代训练。
在一个实施例中，可以通过以下公式调整当前映射标签：
Figure BDA0003263496920000221
Figure BDA0003263496920000222
其中，
Figure BDA0003263496920000223
表示数据变化参考信息，是通过计算损失函数L对
Figure BDA0003263496920000224
的梯度得到，L表示模型反馈数据(也可以称为损失函数)，
Figure BDA0003263496920000225
表示t时刻(t模型迭代轮次)对应的当前映射标签，
Figure BDA0003263496920000226
表示t+1时刻(t+1模型迭代轮次)对应的当前映射标签，即对当前映射标签进行调整得到的更新映射标签，lr表示模型学习率。
本实施例中，基于模型反馈数据对当前映射标签进行梯度计算得到数据变化参考信息，基于模型学习率调整数据变化参考信息得到标签损失，基于当前映射标签和标签损失之间的距离得到更新映射标签。这样，基于模型反馈数据对当前映射标签的损失梯度调整当前映射标签，可以沿梯度下降方向更新当前映射标签，从而可以快速调整得到目标映射标签。
在一个实施例中，如图4所示，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型，包括：
步骤S402，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至满足第二收敛条件，得到中间图像异常检测模型和目标映射标签。
其中，中间图像异常检测模型为在模型训练时同步调整模型参数和当前映射标签得到的模型。目标映射标签为初始图像异常检测模型收敛后得到的映射标签。
具体地，在训练初始图像异常检测模型时，计算机设备可以同时更新模型参数和当前映射标签。计算机设备可以基于模型反馈数据进行反向传播来调整初始图像异常检测模型的模型参数，得到新的初始图像异常检测模型，将训练图像输入新的初始图像异常检测模型，得到新的目标预测标签，基于新的当前映射标签和新的目标预测标签得到新的模型反馈数据，基于新的模型反馈数据再次调整当前映射标签和模型参数，以此类推，循环训练多个迭代轮次，直至满足第二收敛条件，得到中间图像异常检测模型和目标映射标签。其中，第二收敛条件可以是模型迭代次数达到第二迭代次数、模型反馈数据的数值小于预设目标数值、模型反馈数据的变化率小于预设变化率、模型反馈数据最小化等。
步骤S404，将训练图像输入中间图像异常检测模型，得到训练图像对应的更新预测标签。
步骤S406，基于更新预测标签和目标映射标签生成更新损失，基于更新损失调整中间图像异常检测模型的模型参数，直至满足第三收敛条件，得到目标图像异常检测模型。
具体地，在得到中间图像异常检测模型后，计算机设备可以固定目标映射标签，对中间图像异常检测模型进行进一步的模型训练，微调模型参数，得到目标图像异常检测模型。在训练中间图像异常检测模型时，计算机设备可以将训练图像输入中间图像异常检测模型，得到训练图像对应的更新预测标签，基于更新预测标签和目标映射标签之间的数据分布差异生成更新损失，基于更新损失进行反向传播来调整中间图像异常检测模型的模型参数，直至满足第三收敛条件，得到目标图像异常检测模型。其中，第三收敛条件可以是模型迭代次数达到第三迭代次数、更新损失的数值小于预设更新数值等。
可以理解，与模型反馈数据类似，更新损失可以是基于至少一种损失得到的。例如，更新损失包括基于目标映射标签和更新预测标签计算得到的分类损失和基于训练标签和更新预测标签计算得到的先验损失，更新损失包括基于目标映射标签和更新预测标签计算得到的分类损失、基于训练标签和更新预测标签计算得到的先验损失和基于更新预测标签计算得到的自熵损失。各种损失的计算可以参考前述各个相关实施例所述的方法，此处不再赘述。
本实施例中，在训练初始图像异常检测模型时，先同步更新当前映射标签和模型参数，直至满足第二收敛条件，得到中间图像异常检测模型和目标映射标签，然后固定目标映射标签，进一步更新中间图像异常检测模型的模型参数，直至达到第三收敛条件，得到目标图像异常检测模型。上述训练过程可以进一步提高模型训练的准确性。
在一个实施例中，基于更新预测标签和目标映射标签生成更新损失，包括：
对更新预测标签和目标映射标签进行散度计算，得到第四损失；对更新预测标签进行信息熵计算，得到第五损失；基于训练标签和更新预测标签进行交叉熵计算，得到第六损失；基于第四损失、第五损失和第六损失得到更新损失。
具体地，更新损失可以是基于分类损失、先验损失和自熵损失得到的。分类损失可以是对更新预测标签和目标映射标签进行散度计算得到的，也就是，计算机设备可以对更新预测标签和目标映射标签进行散度计算得到第四损失。先验损失可以是对更新预测标签进行信息熵计算得到的，也就是，计算机设备可以对更新预测标签进行信息熵计算得到第五损失。先验损失可以是对训练标签和更新预测标签进行交叉熵计算得到的，也就是，计算机设备可以基于训练标签和更新预测标签进行交叉熵计算得到第六损失。最终，计算机设备可以基于第四损失、第五损失和第六损失得到更新损失，例如，将第四损失、第五损失和第六损失相加得到更新损失，将第四损失、第五损失和第六损失进行加权融合得到更新损失。
本实施例中，通过对更新预测标签和目标映射标签进行散度计算得到第四损失，对更新预测标签进行信息熵计算得到第五损失，基于训练标签和更新预测标签进行交叉熵计算得到第六损失，基于第四损失、第五损失和第六损失得到更新损失。更新损失由多种不同类型的损失组成，基于这样的更新损失调整模型参数来训练模型，可以提高模型训练的准确性。
在一个实施例中，如图5所示，提供了一种图像异常检测方法，以该方法应用于图1中的计算机为例进行说明，可以理解的是，计算机设备可以是终端102，也可以是服务器104。本实施例中，图像异常检测方法包括以下步骤：
步骤S502，获取待检测图像。
步骤S504，将待检测图像输入目标图像异常检测模型，得到待检测图像对应的模型预测标签。
其中，待检测图像是指待检测是否存在异常的图像。待检测图像可以是图片，也可以是视频中的视频帧。模型预测标签是指待检测图像对应的预测标签。
具体地，计算机设备可以在本地、或从其他终端、服务器获取待检测图像和目标图像异常检测模型，将待检测图像输入目标图像异常检测模型，得到待检测图像对应的模型预测标签。
其中，目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签；基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签；基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
可以理解，目标图像异常检测模型的具体训练过程可以参照图像异常检测模型训练方法中各个相关实施例所述的方法，此处不再赘述。
步骤S506，基于模型预测标签确定待检测图像对应的图像异常检测结果。
具体地，在得到模型预测标签后，计算机设备可以基于模型预测标签确定待检测图像对应的图像异常检测结果。计算机设备可以设置目标图像异常检测模型输出完整的数据，即模型预测标签为预测向量，预测向量中各个向量值表示待检测图像属于对应标签类别的概率。计算机设备可以从预测向量中将正常标签类别对应的概率作为目标置信度，若目标置信度大于预设置信度，则确定待检测图像为正常图像，待检测图像的图像异常检测结果为图像无异常，若目标置信度小于或等于预设置信度，则确定待检测图像为异常图像，待检测图像的图像异常检测结果为图像异常。若模型预测标签为预测向量，计算机设备还可以将预测向量中大于预设向量值的向量值作为目标置信度，若目标置信度大于预设置信度，则确定待检测图像的图像异常检测结果为该目标置信度对应的标签类别。
当然，计算机设备也可以设置目标图像异常检测模型只输出正常标签类别对应的概率作为模型预测标签，若模型预测标签大于预设置信度，则确定待检测图像为正常图像，若模型预测标签小于或等于预设置信度，则确定待检测图像为异常图像。其中，预设置信度可以根据需要进行设置，例如，设置为0.5。
本申请的图像异常检测方法可以应用于图像或视频的质量分析任务中。例如，在社交应用中，计算机设备获取用户上传的待分享图片，基于目标图像异常检测模型对待分享图片进行图像异常检测，若图像异常检测结果为图像无异常，则确定待分享图片满足分享条件，进而将待分享图片发布在社交应用中，以供其他用户浏览，若图像异常检测结果为图像异常，可以提示用户图片质量不佳，提示用户重新上传图片。在视频应用中，计算机设备获取用户上传的待分享视频，基于目标图像异常检测模型对待分享视频中的视频帧进行图像异常检测，若图像异常检测结果为图像无异常的视频帧比例大于预设比例，则确定待分享视频满足分享条件，进而将待分享视频发布在视频应用中，以供其他用户浏览。在车辆周边环境监控应用中，计算机设备可以获取车载终端采集的监控视频，基于目标图像异常检测模型对监控视频中的视频帧进行图像异常检测，若图像异常检测结果为图像无异常的视频帧比例大于预设比例，则存储监控视频或对监控视频进行进一步数据分析，确定车辆所处环境状态，若图像异常检测结果为图像无异常的视频帧比例小于或等于预设比例，则指示车载终端重新采集监控视频。
上述图像异常检测方法中，通过获取训练图像和训练图像的训练标签对应的当前映射标签，将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签，基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。这样，在模型训练时，同步调整当前映射标签和模型参数，利用模型的特征学习能力对带有噪声的训练标签对应的当前映射标签进行自纠正，可以有效过滤噪声数据对模型的性能影响，大幅提升模型的性能，最终训练得到准确性较高的图像异常检测模型。从而在模型应用时，基于准确性较高的图像异常检测模型对待检测图像进行图像异常检测，可以得到准确性较高的图像异常检测结果。
在一个具体的实施例中，上述的图像异常检测模型训练方法、图像异常检测方法可以应用于图像花屏检测任务。图像花屏检测是指对一张图片是否存在花屏现象进行检测。图像花屏检测任务是图片以及视频的质量分析中的一个必备步骤，可以用于评估当前图片或视频的质量。
参考图6，花屏图像并不是简单的二分类，很多花屏图像只是轻微花屏或者局部花屏。因此，简单的二值标签可能带有人为主观性，进而导致这样的花屏图像对应的人工标注信息带有噪声，在这样的带噪标签中进行模型的训练，会降低模型的性能。通过本申请的图像异常检测模型训练方法，可以利用模型的特征学习能力对含有噪声的人工标签数据进行辨别与纠正，进而大幅提升模型的性能，最终训练完成的模型可以在花屏检测任务中输出更为精确的预测结果。
参考图7，在模型训练时，将图像输入图像花屏检测模型，经过深度学习模型的数据计算可以得到输入图像是否是花屏的预测概率(即预测标签)。同时，输入图像对应的人工标签经过标签编码转换为映射标签。其中，人工标签是指人工标注的标签，可以为0/1二值标签，表示图像存在花屏或者不存在花屏的人为判定结果。图像花屏检测模型的损失函数包括三种损失，具体为自熵损失、分类损失和先验损失。自熵损失是基于预测概率计算得到的，是预测概率与自身计算熵值的结果，该项损失是一个正则项，目的是防止模型陷入局部最优。分类损失是基于预测概率和映射标签得到的，用于度量模型的预测概率和人工标签二者之间的距离。先验损失是基于预测概率和人工标签中正负标签分布比例得到的，该项损失也是一个正则项。三项损失叠加之后同时指导深度学习模型的参数更新以及人工标签对应的映射标签的标签更新，更新之后的映射标签又作为下一个轮次模型迭代的损失函数对应的计算数据，经过多轮模型迭代，最终得到训练完成的图像花屏检测模型以及纠正之后的人工标签结果(即目标映射标签)。
可以理解，图7中的实线箭头表示模型的前向传播过程，也就是推理过程，图6中的虚线箭头表示模型训练时的反向传播过程。
进一步的，模型的训练过程可以分为三个步骤。步骤1使用原始的人工标注标签进行训练，不对标签进行更新，这一步的目的是在模型训练的初期，模型参数随机初始化，同时更新模型参数和标签分布的话难度较大，训练可能出现不稳定的情况，因此一开始先固定住映射标签，只更新模型参数，该阶段的损失函数可以只包括分类损失，该阶段可以训练K1个迭代轮次。步骤2同时更新模型参数和映射标签，该阶段的损失函数可以包括三种损失，该阶段可以训练K2个迭代轮次。步骤3固定住之前步骤2迭代得到的映射标签，不再更新映射标签，只更新模型参数，再一次对模型进行K3个迭代轮次的更新，该阶段的损失函数包括三种损失。最终，整个训练过程需要消耗K1+K2+K3个迭代轮次，训练完成后得到已训练的图像花屏检测模型。
可以理解，模型的训练过程，也可以不采用K1+K2+K3的三步式训练方式，例如，采用K1+K2的训练方式。
已训练的图像花屏检测模型可以用于预测输入图像的花屏概率(即花屏置信度)。参考图8，当模型预测的花屏置信度大于预设置信度时，确定输入图像存在花屏，为花屏图像，当模型预测的花屏置信度小于或等于预设置信度时，确定输入图像不存在花屏，为正常图像。其中，预设阈值可以根据需要进行设置，例如，设置为0.5。
本实施例中，基于训练完成的图像花屏检测模型可以精准的对图像的花屏程度进行检测。在模型训练时，通过对带有噪声的人工标签进行自纠正，有效过滤噪声数据对模型的性能影响，从而训练得到准确的图像花屏检测模型。在模型应用时，基于准确的图像花屏检测模型可以输出稳定、可靠的花屏检测结果，从而为视频质量评估提供可靠的技术支撑。
可以理解，上述模型训练方法除了应用于图像花屏检测模型，还可以应用于图像模糊检测模型、图像马赛克检测模型等图像异常检测模型。
应该理解的是，虽然图2-图5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2-图5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，提供了一种图像异常检测模型训练装置，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：训练数据获取模块902、模型预测模块904、模型反馈数据确定模块906、标签调整模块908和模型调整模块910，其中：
训练数据获取模块902，用于获取训练图像和训练图像的训练标签对应的当前映射标签。
模型预测模块904，用于将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签。
模型反馈数据确定模块906，用于基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据。
标签调整模块908，用于基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将更新映射标签作为当前映射标签。
模型调整模块910，用于基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
在一个实施例中，训练数据获取模块还用于基于训练标签对应的标签类别数量，对训练标签进行标签编码，得到当前映射标签。
在一个实施例中，图像异常检测模型训练装置还包括：
模型预训练模块，用于将训练图像输入候选图像异常检测模型，得到训练图像对应的初始预测标签；基于训练标签和初始预测标签之间的标签差异，调整候选图像异常检测模型的模型参数，直至满足第一收敛条件，得到初始图像异常检测模型。
在一个实施例中，模型反馈数据确定模块包括：
第一损失确定单元，用于对当前映射标签和目标预测标签进行散度计算，得到第一损失。
第二损失确定单元，用于获取训练标签对应的标签分布比例，基于标签分布比例和目标预测标签得到第二损失；标签分布比例是基于训练标签对应的各个标签类别的训练图像数量确定的。
模型反馈数据确定单元，用于基于第一损失和第二损失得到模型反馈数据。
在一个实施例中，第一损失确定单元还用于对当前映射标签和目标预测标签的比值进行对数变换，得到标签变换比例；将标签变换比例和目标预测标签进行融合，得到第一损失。
在一个实施例中，第一损失确定单元还用于对当前映射标签和目标预测标签进行统计，得到标签统计信息；对标签统计信息和目标预测标签的比值进行对数变换，得到第一变换比例，对标签统计信息和当前映射标签的比值进行对数变换，得到第二变换比例；将目标预测标签和第一变换比例进行融合，得到第一子损失，将当前映射标签和第二变换比例进行融合，得到第二子损失；基于第一子损失和第二子损失得到第一损失。
在一个实施例中，第二损失确定单元还用于对标签分布比例进行向量化处理，得到标签分布向量；对标签分布向量和目标预测标签进行交叉熵计算，得到第二损失。
在一个实施例中，模型反馈数据确定单元还用于对目标预测标签进行信息熵计算，得到第三损失；基于第一损失、第二损失和第三损失得到模型反馈数据。
在一个实施例中，模型反馈数据确定单元还用于获取第一损失、第二损失和第三损失分别对应的损失权重；第二损失对应的损失权重随着训练图像中噪声图像对应的噪声图像比例的增加而减少；基于损失权重对第一损失、第二损失和第三损失进行融合，得到模型反馈数据。
在一个实施例中，标签调整模块还用于基于模型反馈数据对当前映射标签进行梯度计算，得到数据变化参考信息；获取模型学习率，基于模型学习率调整数据变化参考信息，得到标签损失；基于当前映射标签和标签损失之间的距离得到更新的当前映射标签。
在一个实施例中，模型调整模块包括：
第一调整单元，用于基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至满足第二收敛条件，得到中间图像异常检测模型和目标映射标签。
预测单元，用于将训练图像输入中间图像异常检测模型，得到训练图像对应的更新预测标签。
第二调整单元，用于基于更新预测标签和目标映射标签生成更新损失，基于更新损失调整中间图像异常检测模型的模型参数，直至满足第三收敛条件，得到目标图像异常检测模型。
在一个实施例中，第二调整单元还用于对更新预测标签和目标映射标签进行散度计算，得到第四损失；对更新预测标签进行信息熵计算，得到第五损失；基于训练标签和更新预测标签进行交叉熵计算，得到第六损失；基于第四损失、第五损失和第六损失得到更新损失。
在一个实施例中，目标图像异常检测模型为图像花屏检测模型、图像模糊检测模型和图像马赛克检测模型中的任意一种。
上述图像异常检测模型训练装置，在模型训练时，同步调整训练标签和当前映射标签，利用模型的特征学习能力对带有噪声的训练标签对应的当前映射标签进行自纠正，可以有效过滤噪声数据对模型的性能影响，大幅提升模型的性能，最终训练得到准确性较高的图像异常检测模型。后续在模型应用时，基于准确性较高的图像异常检测模型可以得到准确性较高的图像异常检测结果。
在一个实施例中，如图10所示，提供了一种图像异常检测装置，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：图像获取模块1002、标签预测模块1004和检测结果确定模块1006，其中：
图像获取模块1002，用于获取待检测图像。
标签预测模块1004，用于将待检测图像输入目标图像异常检测模型，得到待检测图像对应的模型预测标签。
检测结果确定模块1006，用于基于模型预测标签确定待检测图像对应的图像异常检测结果。
其中，目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将训练图像输入初始图像异常检测模型，得到训练图像对应的目标预测标签；基于训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签；基于模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回将训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
上述图像异常检测装置，在模型训练时，同步调整训练标签和当前映射标签，利用模型的特征学习能力对带有噪声的训练标签对应的当前映射标签进行自纠正，可以有效过滤噪声数据对模型的性能影响，大幅提升模型的性能，最终训练得到准确性较高的图像异常检测模型。从而在模型应用时，基于准确性较高的图像异常检测模型可以得到准确性较高的图像异常检测结果。
关于图像异常检测模型训练装置、图像异常检测装置的具体限定可以参见上文中对于图像异常检测模型训练方法、图像异常检测方法的限定，在此不再赘述。上述图像异常检测模型训练装置、图像异常检测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11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训练图像、候选图像异常检测模型、初始图像异常检测模型、中间图像异常检测模型、目标图像异常检测模型等数据。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图像异常检测模型训练方法、图像异常检测方法。
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终端，其内部结构图可以如图12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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种图像异常检测模型训练方法、图像异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11、12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各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各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各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 (19)

1.一种图像异常检测模型训练方法，其特征在于，所述方法包括：
获取训练图像和训练图像的训练标签对应的当前映射标签；
将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取训练图像和训练图像的训练标签对应的当前映射标签，包括：
基于所述训练标签对应的标签类别数量，对所述训练标签进行标签编码，得到当前映射标签。
3.根据权利要求1所述的方法，其特征在于，所述将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签之前，所述方法还包括：
将所述训练图像输入候选图像异常检测模型，得到所述训练图像对应的初始预测标签；
基于所述训练标签和所述初始预测标签之间的标签差异，调整所述候选图像异常检测模型的模型参数，直至满足第一收敛条件，得到初始图像异常检测模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据，包括：
对当前映射标签和目标预测标签进行散度计算，得到第一损失；
获取所述训练标签对应的标签分布比例，基于所述标签分布比例和目标预测标签得到第二损失；所述标签分布比例是基于所述训练标签对应的各个标签类别的训练图像数量确定的；
基于所述第一损失和所述第二损失得到所述模型反馈数据。
5.根据权利要求4所述的方法，其特征在于，所述对当前映射标签和目标预测标签进行散度计算，得到第一损失，包括：
对当前映射标签和目标预测标签的比值进行对数变换，得到标签变换比例；
将所述标签变换比例和目标预测标签进行融合，得到所述第一损失。
6.根据权利要求4所述的方法，其特征在于，所述对当前映射标签和目标预测标签进行散度计算，得到第一损失，包括：
对当前映射标签和目标预测标签进行统计，得到标签统计信息；
对所述标签统计信息和目标预测标签的比值进行对数变换，得到第一变换比例，对所述标签统计信息和当前映射标签的比值进行对数变换，得到第二变换比例；
将所述第一变换比例和目标预测标签进行融合，得到第一子损失，将所述第二变换比例和当前映射标签进行融合，得到第二子损失；
基于所述第一子损失和所述第二子损失得到所述第一损失。
7.根据权利要求4所述的方法，其特征在于，所述获取所述训练标签对应的标签分布比例，基于所述标签分布比例和目标预测标签得到第二损失，包括：
对所述标签分布比例进行向量化处理，得到标签分布向量；
对所述标签分布向量和目标预测标签进行交叉熵计算，得到所述第二损失。
8.根据权利要求4所述的方法，其特征在于，所述基于所述第一损失和所述第二损失得到所述模型反馈数据，包括：
对目标预测标签进行信息熵计算，得到第三损失；
基于所述第一损失、所述第二损失和所述第三损失得到所述模型反馈数据。
9.根据权利要求8所述的方法，其特征在于，所述基于所述第一损失、所述第二损失和所述第三损失得到所述模型反馈数据，包括：
获取所述第一损失、所述第二损失和所述第三损失分别对应的损失权重；所述第二损失对应的损失权重随着训练图像中噪声图像对应的噪声图像比例的增加而减少；
基于损失权重对所述第一损失、所述第二损失和所述第三损失进行融合，得到所述模型反馈数据。
10.根据权利要求1所述的方法，其特征在于，所述基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，包括：
基于所述模型反馈数据对当前映射标签进行梯度计算，得到所述数据变化参考信息；
获取模型学习率，基于所述模型学习率调整所述数据变化参考信息，得到所述标签损失；
基于当前映射标签和标签损失之间的距离得到所述更新映射标签。
11.根据权利要求1所述的方法，其特征在于，所述基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型，包括：
基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至满足第二收敛条件，得到中间图像异常检测模型和目标映射标签；
将所述训练图像输入所述中间图像异常检测模型，得到所述训练图像对应的更新预测标签；
基于所述更新预测标签和所述目标映射标签生成更新损失，基于所述更新损失调整所述中间图像异常检测模型的模型参数，直至满足第三收敛条件，得到所述目标图像异常检测模型。
12.根据权利要求11所述的方法，其特征在于，所述基于所述更新预测标签和所述目标映射标签生成更新损失，包括：
对所述更新预测标签和所述目标映射标签进行散度计算，得到第四损失；
对所述更新预测标签进行信息熵计算，得到第五损失；
基于所述训练标签和所述更新预测标签进行交叉熵计算，得到第六损失；
基于所述第四损失、所述第五损失和所述第六损失得到所述更新损失。
13.根据权利要求1至12任意一项所述的方法，其特征在于，所述目标图像异常检测模型为图像花屏检测模型、图像模糊检测模型和图像马赛克检测模型中的任意一种。
14.一种图像异常检测方法，其特征在于，所述方法包括：
获取待检测图像；
将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
15.一种图像异常检测模型训练装置，其特征在于，所述装置包括：
训练数据获取模块，用于获取训练图像和训练图像的训练标签对应的当前映射标签；
模型预测模块，用于将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；
模型反馈数据确定模块，用于基于所述训练图像的训练标签对应的当前映射标签和目标预测标签生成模型反馈数据；
标签调整模块，用于基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；
模型调整模块，用于基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
16.一种图像异常检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测图像；
标签预测模块，用于将所述待检测图像输入目标图像异常检测模型，得到所述待检测图像对应的模型预测标签；
检测结果确定模块，用于基于所述模型预测标签确定所述待检测图像对应的图像异常检测结果；
其中，所述目标图像异常检测模型的训练过程包括：获取训练图像和训练图像的训练标签对应的当前映射标签；将所述训练图像输入初始图像异常检测模型，得到所述训练图像对应的目标预测标签；基于所述训练图像的训练标签对应的当前映射标签和所述目标预测标签生成模型反馈数据；基于所述模型反馈数据对应的数据变化参考信息生成标签损失，基于标签损失调整当前映射标签得到更新映射标签，将所述更新映射标签作为当前映射标签；基于所述模型反馈数据调整初始图像异常检测模型的模型参数，得到更新的初始图像异常检测模型，返回所述将所述训练图像输入初始图像异常检测模型的步骤，直至训练完成，得到目标图像异常检测模型。
17.一种计算机设备，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13或14中任一项所述的方法的步骤。
18.一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13或14中任一项所述的方法的步骤。
19.一种计算机程序产品，包括计算机程序，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13或14中任一项所述的方法的步骤。
CN202111079651.0A 2021-09-15 2021-09-15 图像异常检测模型训练方法、图像异常检测方法和装置 Pending CN114332578A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111079651.0A CN114332578A (zh) 2021-09-15 2021-09-15 图像异常检测模型训练方法、图像异常检测方法和装置
PCT/CN2022/110998 WO2023040510A1 (zh) 2021-09-15 2022-08-09 图像异常检测模型训练方法、图像异常检测方法和装置
US18/141,011 US20230267730A1 (en) 2021-09-15 2023-04-28 Image abnormality detection model training

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111079651.0A CN114332578A (zh) 2021-09-15 2021-09-15 图像异常检测模型训练方法、图像异常检测方法和装置

Publications (1)

Publication Number Publication Date
CN114332578A true CN114332578A (zh) 2022-04-12

Family

ID=81044893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111079651.0A Pending CN114332578A (zh) 2021-09-15 2021-09-15 图像异常检测模型训练方法、图像异常检测方法和装置

Country Status (3)

Country Link
US (1) US20230267730A1 (zh)
CN (1) CN114332578A (zh)
WO (1) WO2023040510A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222738A (zh) * 2022-09-20 2022-10-21 合肥中科类脑智能技术有限公司 一种基于特征迁移的在线学习异常检测方法及系统
WO2023040510A1 (zh) * 2021-09-15 2023-03-23 腾讯科技（深圳）有限公司 图像异常检测模型训练方法、图像异常检测方法和装置
CN116824305A (zh) * 2023-08-09 2023-09-29 中国气象服务协会 应用于云计算的生态环境监测数据处理方法及系统
CN117148814A (zh) * 2023-07-25 2023-12-01 湖北仕上电子科技有限公司 真空镀膜设备壁板清洗控制系统的异常报警方法及系统
CN117409326A (zh) * 2023-12-13 2024-01-16 山东锋士信息技术有限公司 基于自适应加权损失和对抗干扰器的遥感异常检测方法
CN117523213A (zh) * 2024-01-04 2024-02-06 南京航空航天大学 一种基于元去噪和负学习的噪声标签识别方法
CN117710763A (zh) * 2023-11-23 2024-03-15 广州航海学院 图像噪声识别模型训练方法、图像噪声识别方法及装置
CN117934931A (zh) * 2024-01-16 2024-04-26 广州杰鑫科技股份有限公司 一种模型更新方法、装置、光缆智能运维系统和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993963B (zh) * 2023-09-21 2024-01-05 腾讯科技（深圳）有限公司 一种图像处理方法、装置、设备及存储介质
CN118081163B (zh) * 2024-04-24 2024-07-12 陕西能源电力运营有限公司 基于图像识别的集箱精确焊接控制方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163234B (zh) * 2018-10-10 2023-04-18 腾讯科技（深圳）有限公司 一种模型训练方法、装置和存储介质
CN111598881B (zh) * 2020-05-19 2022-07-12 西安电子科技大学 基于变分自编码器的图像异常检测方法
CN112766244B (zh) * 2021-04-07 2021-06-08 腾讯科技（深圳）有限公司 目标对象检测方法、装置、计算机设备和存储介质
CN114332578A (zh) * 2021-09-15 2022-04-12 广州腾讯科技有限公司 图像异常检测模型训练方法、图像异常检测方法和装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023040510A1 (zh) * 2021-09-15 2023-03-23 腾讯科技（深圳）有限公司 图像异常检测模型训练方法、图像异常检测方法和装置
CN115222738A (zh) * 2022-09-20 2022-10-21 合肥中科类脑智能技术有限公司 一种基于特征迁移的在线学习异常检测方法及系统
CN117148814A (zh) * 2023-07-25 2023-12-01 湖北仕上电子科技有限公司 真空镀膜设备壁板清洗控制系统的异常报警方法及系统
CN117148814B (zh) * 2023-07-25 2024-04-16 湖北仕上电子科技有限公司 真空镀膜设备壁板清洗控制系统的异常报警方法及系统
CN116824305A (zh) * 2023-08-09 2023-09-29 中国气象服务协会 应用于云计算的生态环境监测数据处理方法及系统
CN116824305B (zh) * 2023-08-09 2024-06-04 中国气象服务协会 应用于云计算的生态环境监测数据处理方法及系统
CN117710763A (zh) * 2023-11-23 2024-03-15 广州航海学院 图像噪声识别模型训练方法、图像噪声识别方法及装置
CN117409326A (zh) * 2023-12-13 2024-01-16 山东锋士信息技术有限公司 基于自适应加权损失和对抗干扰器的遥感异常检测方法
CN117409326B (zh) * 2023-12-13 2024-04-19 山东锋士信息技术有限公司 基于自适应加权损失和对抗干扰器的遥感异常检测方法
CN117523213A (zh) * 2024-01-04 2024-02-06 南京航空航天大学 一种基于元去噪和负学习的噪声标签识别方法
CN117523213B (zh) * 2024-01-04 2024-03-29 南京航空航天大学 一种基于元去噪和负学习的噪声标签识别方法
CN117934931A (zh) * 2024-01-16 2024-04-26 广州杰鑫科技股份有限公司 一种模型更新方法、装置、光缆智能运维系统和存储介质

Also Published As

Publication number Publication date
US20230267730A1 (en) 2023-08-24
WO2023040510A1 (zh) 2023-03-23

Similar Documents

Publication Publication Date Title
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN112084331B (zh) 文本处理、模型训练方法、装置、计算机设备和存储介质
CN112766244B (zh) 目标对象检测方法、装置、计算机设备和存储介质
CN116110022B (zh) 基于响应知识蒸馏的轻量化交通标志检测方法及系统
CN112183491A (zh) 表情识别模型及训练方法、识别方法、装置和计算设备
CN116664719A (zh) 一种图像重绘模型训练方法、图像重绘方法及装置
CN111310821A (zh) 多视图特征融合方法、系统、计算机设备及存储介质
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
CN116310850B (zh) 基于改进型RetinaNet的遥感图像目标检测方法
CN112529025A (zh) 一种数据处理方法及装置
CN114677611B (zh) 数据识别方法、存储介质及设备
CN111062406B (zh) 一种面向异构领域适应的半监督最优传输方法
CN115705706A (zh) 视频处理方法、装置、计算机设备和存储介质
CN112861601A (zh) 生成对抗样本的方法及相关设备
CN118279320A (zh) 基于自动提示学习的目标实例分割模型建立方法及其应用
CN110969109A (zh) 一种非受限条件下眨眼检测模型及其构建方法和应用
CN113824989B (zh) 一种视频处理方法、装置和计算机可读存储介质
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN116958624A (zh) 指定材质的识别方法、装置、设备、介质及程序产品
CN117351382A (zh) 视频对象定位方法及其装置、存储介质、程序产品
CN114818945A (zh) 融入类别自适应度量学习的小样本图像分类方法及装置
CN113033444A (zh) 年龄估计方法、装置和电子设备
CN113822291A (zh) 一种图像处理方法、装置、设备及存储介质
CN113822293A (zh) 用于图数据的模型处理方法、装置、设备及存储介质
CN115130539B (zh) 分类模型训练、数据分类方法、装置和计算机设备

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40072242

Country of ref document: HK