深度学习TensorFlow实战：物体检测与异常识别

一、异常检测

异常定义为偏离标准，很少发生且不遵循其余“模式”的事件。异常的例子包括：

• 由于世界大事而导致的股市大跌
• 工厂/传送带上的不良物品
• 实验室中被污染的样品

假设我们的数据服从一个正太分布，那么通常异常数据位于正态分布曲线的两侧。如下图所示。

正如我们看到的那样，这些事件将发生，但发生的可能性极低。从机器学习的角度来看，这使得很难检测异常-根据定义，我们有很多“标准”事件的示例，而很少有“异常”事件的示例。因此，我们的数据集存在很大的偏差。当我们要检测的异常可能仅在1％，0.1％或0.0001％的时间发生时，应该如何在平衡数据集中最佳地工作的机器学习算法如何工作？这时候我们就需要用到异常检测来专门处理这类问题。

由于我们的数据集标签存在极大的不平衡，根据定义异常数据很少发生，而我们拥有大量的正常数据。而为了检测异常数据，传统的机器学习算法衍生出如孤立森林、One-class SVMs、Elliptic Envelopes和局部异常因子算法等。这里不一一介绍，有兴趣的同学可以去研究研究，这里主要讲的是如何使用深度学习来解决这个问题。

二、基于自动编码器的异常检测

自动编码器是一种无监督的神经网络，它可以：

• 接受一组输入数据；
• 对数据进行编码；
• 将编码后的特征进行解码来重建输入数据。

通常自动编码器主要有两部分组成：编码器和解码器。编码器接受输入数据并将它转化为特征表示。然后，解码器尝试对压缩的特征进行重构得到输入数据。当我们以端到端的方式训练自动编码器时，该网络能够学习到一种强大的过滤器，其甚至能够对输入数据去噪。

从异常检测角度来看，自动编码器特别之处在于其能够重构损失，在训练自动编码器时通常会衡量输入和重构数据之间的均方误差（MSE）。如果损失越小，那么重构的图像越像原始数据。

假设我们在整个MNIST数据集上训练了一个自动编码器，然后，对自动编码器提供一个数字，并对他进行重构。我们希望我们能够对其进行重建与输入数据相似，然后我们会发现这两张图像之间的MSE比较低。

如果，此时我们再提供一个非数字的图像，如大象，此时这两张图片的MSE非常高。这是由于自动编码器以前从未见过大象，更重要的是，从未接受过重建大象的训练，因此 我们的MSE 很高。

此时，如果重建的MSE高，那么我们可能会有一个异常值。

三、异常检测Tensorflow的实现

3.1、数据加载

这里我们使用mnist数据集，将标签为1的作为正常数据，将标签为数据的数量1%的数量的且标签为3的数据作为异常数据，并制作异常数据。具体如下：

• 加载数据集

登录后复制

# 加载MNIST数据集
print("[INFO] loading MNIST dataset...")
((trainX,trainY),(testX,testY))=tf.keras.datasets.mnist.load_data()

• 生成异常数据

登录后复制

def build_unsupervised_dataset(data,labels,validLabel=1,
	anomalyLabel=3, contam=0.01, seed=42):
    '''制作数据集'''

    # 抓取提供的类标签的所有 * 真正 * 索引特定的标签，
    # 然后获取图像的索引个标签将成为我们的“异常”
    validIdxs=np.where(labels==validLabel)[0]
    anomalyLabelIdx=np.where(labels==anomalyLabel)[0]

    #随机打乱数据
    random.shuffle(validIdxs)
    random.shuffle(anomalyLabelIdx)

    #计算并设置异常数据的个数
    i=int(len(validIdxs)*contam)
    anomalyLabelIdx=anomalyLabelIdx[:i]

    #提取正常数据和异常数据
    validImages=data[validIdxs]
    anomalyImages=data[anomalyLabelIdx]

    #打包数据并进行数据打乱
    images=np.vstack([validImages,anomalyImages])

    return images


# 建立少量的无监督图像数据集,污染（即异常）添加到其中
print("[INFO] creating unsupervised dataset...")
images = build_unsupervised_dataset(trainX, trainY, validLabel=1,
	anomalyLabel=3, contam=0.01)
	
	

3.2、搭建自编码模型

这里直接上代码：

登录后复制

class ConvAutoencoder:
    @staticmethod
    def build(width,height,depth=None,filters=(32,64),latentDim=16):
        '''
        构建自动编码器模型
        :param width: 图像的宽度
        :param height: 图像的高度
        :param depth: 图像的深度
        :param filters: 卷积核的尺寸
        :param latentDim: 全连接的维数
        :return:
        '''
        #定义解码器
        inputs=tf.keras.layers.Input(shape=(height,width,depth))

        x=inputs
        for filter in filters:
            x=tf.keras.layers.Conv2D(filter,kernel_size=(3,3),strides=2,padding='same')(x)
            x=tf.keras.layers.LeakyReLU(alpha=0.2)(x)
            x=tf.keras.layers.BatchNormalization(axis=-1)(x)

        volumeSize=tf.keras.backend.int_shape(x)
        x=tf.keras.layers.Flatten()(x)
        latent=tf.keras.layers.Dense(latentDim)(x)

        encoder=tf.keras.Model(inputs=inputs,outputs=latent,name='encoder')

        #定义编码器
        latentinputs=tf.keras.layers.Input(shape=(latentDim,))

        x=tf.keras.layers.Dense(np.prod(volumeSize[1:]))(latentinputs)
        x=tf.keras.layers.Reshape((volumeSize[1],volumeSize[2],volumeSize[3]))(x)

        for filter in filters[::-1]:
            x=tf.keras.layers.Conv2DTranspose(filter,kernel_size=(3,3),strides=2,padding='same')(x)
            x=tf.keras.layers.LeakyReLU(alpha=0.2)(x)
            x=tf.keras.layers.BatchNormalization(axis=-1)(x)

        x=tf.keras.layers.Conv2DTranspose(depth,(3,3),padding='same')(x)
        outputs=tf.keras.layers.Activation('sigmoid')(x)

        decoder=tf.keras.Model(latentinputs,outputs,name='decoder')

        autoencoder=tf.keras.Model(inputs,decoder(encoder(inputs)),name='autoencoder')

        return (encoder,decoder,autoencoder)

autoencoder.summary()

网络框架结构如下：

3.3、模型训练

登录后复制

epochs=20
lr=1e-3
batch_size=32

#搭建模型
print("[INFO] building autoencoder...")
(encoder, decoder, autoencoder) = ConvAutoencoder.build(28, 28,1)

#搭建优化器
opt=tf.keras.optimizers.Adam(lr=lr,decay=lr/epochs)
autoencoder.compile(loss='mse',optimizer=opt,metrics=['acc'])

#训练
H=autoencoder.fit(trainX,trainX,validation_data=(testX,testX),epochs=epochs,batch_size=batch_size)

训练过程如下：

3.4、模型预测

主要使用自编码重构后的图片与原图片计算MSE，然后根据阈值进行相应的判断，主要实现如下：

登录后复制

# 加载模型
print("[INFO] loading autoencoder and image data...")
autoencoder = tf.keras.models.load_model("autoencoder.h5")
images = pickle.loads(open("mages.pickle", "rb").read())

#预测图片
images=images.reshape(-1,28,28,1)
images=images.astype('float32')
images/=255
decoded = autoencoder.predict(images)
errors = []

for (image, recon) in zip(images, decoded):
	# 计算预测和真实图片之间的均方差1
	mse = np.mean((image - recon) ** 2)
	errors.append(mse)


# compute the q-th quantile of the errors which serves as our
# threshold to identify anomalies -- any data point that our model
# reconstructed with > threshold error will be marked as an outlier
thresh = np.quantile(errors, 0.999)
idxs = np.where(np.array(errors) >= thresh)[0]
print("[INFO] mse threshold: {}".format(thresh))
print("[INFO] {} outliers found".format(len(idxs)))

测试结果如下：

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删