具有多尺度内存器的GAN网络异常检测模型

孙亚新，刘韵婷，于清淞，葛忠文

(沈阳理工大学 自动化与电气工程学院，沈阳 110159)

目前异常检测正快速发展成为一个重要的领域。最新趋势表明，虽然大型数据集的可用量增加，但数据集高度不平衡。在大多数情况下，数据集中正常样本占比非常高而异常样本占比很小，并且异常类提供的数据仅能代表部分异常情况。异常检测是解决样本不均衡问题的一种方法，其思想是在仅输入正常样本的情况下学习特征，然后在进行测试时将不完全符合该正常特征的样本识别出来判为异常。

异常检测方法中的一个普遍假设是异常样本不仅在高维图像空间与正常样本不同，而且在低维潜在空间的编码特征与正常样本也不同，因此较好的解决办法是将高维图像映射到低维潜在空间再进行比较，但关键问题是如何通过网络获得准确的正常样本潜在空间的特征分布。

轮胎的内部是子午线，其生产工艺非常复杂，在生产过程中很容易出现各种各样的缺陷。因此在轮胎出厂前必须进行严格的产品缺陷检测。轮胎X光图像是对轮胎进行X射线照射，根据内部不同材料和部位对X射线的吸收量不同，通过图像处理得到不同灰度级表示的数字图像[1]。为提高轮胎缺陷检测准确率，诸多学者进行了大量的算法研究。郭奇[2]基于模板匹配算法提出划分图像区域的方法，用于检测轮胎帘线弯曲和气泡等缺陷。崔雪红等[3]基于卷积神经网络提出端到端的图像自动分类算法，对五种常见轮胎缺陷进行分类。……