计算机工程

作者：鄢宁, 李岳阳, 罗海驰

单位：1. 江南大学 人工智能与计算机学院, 江苏 无锡 2141222. 江南大学 物联网工程学院, 江苏 无锡 214122

关键词：无监督学习,异常检测,记忆模块,自编码器,重建模型

基于重建的无监督异常检测方法由于不需要异常样本和预训练模型，被广泛地应用到异常检测任务中。然而，在实际应用中由于卷积神经网络的泛化性，模型能够有效地重建异常，使得难以通过重建误差来检测异常。现有方法通过使用合适的记忆块存储正常数据，将异常特征转化为正常特征，从而抑制异常重建，但不同的异常区域差异较大，记忆块尺寸的选择不当会导致重建模糊和重建异常等问题。考虑到这类方法在重建模型中的优势，提出一种基于改进记忆块存储的无监督异常检测方法。通过增加块金字塔记忆模块来适应不同面积大小的异常，并且不同尺度的块记忆模块通过读取、聚合得到多特征图融合的输出特征图，能够最大限度地保留正常样本的特征信息，增强特征信息的存储与表达，从而更好地重建正常数据。同时，为了增强重建清晰度，减少重建异常，在重建网络中增加skip connection结构。最后引入SSIM损失函数，通过亮度、对比度和结构3个维度来增强图像重建效果，并作为异常判定指标的组成部分，提高异常检测的精度。实验结果表明，相较于原始基于块存储和读取的重建模型，该方法平均AUC高出1.5%，具有更优的检测效果。

来源：2023年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第12期