Tensorflow 图像的深度学习异常检测

我对深度学习的世界还比较陌生。我想创建一个用于图像异常检测的深度学习模型（最好使用Tensorflow/Keras）。我所说的异常检测实际上是一种

OneClassSVM

---

我已经尝试了sklearn的OneClassSVM，它使用图像中的HOG特征。我想知道是否有一些例子可以说明我如何在深度学习中做到这一点。我查了一下，但找不到一个处理这种情况的代码块。

在Keras中实现这一点的方法是使用包装器模块（他们包装sci kit learn的回归器接口）。在该模块的代码中也可以找到有用的信息。基本上，您首先必须定义您的网络模型，例如：

def simple_model（）：
#输入层
数据输入（形状=（13，））
#第一层，完全连接，ReLU激活
第1层=密集（13，activation='relu'，kernel\u initializer='normal'）（数据中）
#第二层……等等
第2层=密集（第6层，激活='relu'，内核初始化器='normal'）（第1层）
#输出，单节点，无需激活
数据输出=密集（1，内核初始化器=正常）（第2层）
#保存和编译模型
模型=模型（输入=数据输入，输出=数据输出）
#您可以选择任何loss或optimizer函数，请小心选择哪一个
compile（loss='mean\u squared\u error'，optimizer='adam'）
回归模型

然后，将其传递给

KerasRegressor

builder，并

fit

使用数据：

来自keras.wrappers.scikit\u了解导入KerasRegressor
#选择您的年代和批次
回归器=Keras回归器（构建=simple\u模型，nb\u历元=100，批量=64）
#符合您的数据
拟合（数据、标签、历元=100）

您现在可以对其进行预测或获得分数：

p=regressor.predict（数据检验）#获得预测值
分数=回归系数。分数（数据测试、标签测试）#获得测试分数

---

在您的情况下，由于需要从正常图像中检测异常图像，您可以采取的一种方法是通过传递标记为

1

的异常图像和标记为

0

的正常图像来训练回归器

这将使您的模型在输入为异常图像时返回更接近1的值，从而使您能够设置所需结果的阈值。您可以将此输出视为训练为1（完美匹配）的“异常模型”的R^2系数

此外，正如您所提到的，自动编码器是进行异常检测的另一种方法。为此，我建议您看一看Keras的博客文章，其中详细解释了Keras库的实现

---

值得注意的是，单类分类是表示回归的另一种方式

分类尝试在

N

可能的类别中找到概率分布，您通常选择最可能的类别作为输出（这就是为什么大多数分类网络在其输出标签上使用

Sigmoid

激活，因为它具有范围[0，1]）。它的输出是离散的/分类的

---

类似地，回归试图通过最小化误差或其他度量（如著名的R^2度量或R^2度量）来找到表示数据的最佳模型。它的输出是实数/连续的（这也是大多数回归网络不在其输出上使用激活的原因）。我希望这会有所帮助，祝您编码顺利。

使用HOG是一种功能工程方法。通常在深度学习中，你不会处理这些问题，而是让你的模型为你解决，这就是为什么你很可能找不到非常相似的例子。因此，如果你想尝试深入学习，你应该尝试一种标准的卷积网络，将图像作为输入，而不是预提取的特征。谢谢@maz。是的，我同意。你能给我举一个在tensorflow中进行单类分类的好例子吗？我花了很多时间研究这一点，但仍然空手而归。你可以使用一个多类分类的例子，有两个改变：第一，改变你的最后一个激活为乙状结肠或tanh（不要对单个类使用softmax，它不会起作用）。其次，更改最后一个致密层，使其具有单个输出（在keras中，这是通过致密层（1）完成的）。我不知道单个类的例子，但是有了这两个变化，您可以尝试来自keras的mnist cnn例子。请注意keras 2和keras 1之间的差异（主要是名称更改）。谢谢@maz让我试试。这个包装模型可以保存为.pb图形吗？我希望在c#中实现这一点，但无法实现，因为c#中的port中没有sklearn。我不确定Jodh。但是，也许可以研究这个模型保存的格式，并以某种方式将其转换为您提到的.pb格式