技术特征：
1.一种自编码器训练方法，其特征在于，包括：从正常图像集中获取样本图像；随机遮挡所述样本图像中的部分区域，得到训练样本；将所述训练样本输入初始状态的自编码器，以使所述自编码器编码所述训练样本得到目标向量，并基于所述目标向量得到重建图像；计算所述重建图像与所述样本图像之间的第一损失；利用初始状态的向量判别器计算所述目标向量和采样向量之间的第二损失；所述采样向量从预设均匀分布中采样获得，且与所述目标向量具有相同维度；利用初始状态的重建判别器计算重建区域和所述部分区域之间的第三损失；所述重建区域为所述重建图像中与所述部分区域对应的区域；基于所述第一损失、所述第二损失和所述第三损失确定综合损失；若所述综合损失符合预设收敛条件，则将当前自编码器确定为仅对正常图像具有重建能力的自编码器，以利用当前自编码器检测异常图像。2.根据权利要求1所述的方法，其特征在于，还包括：若所述综合损失不符合预设收敛条件，则基于所述综合损失更新所述自编码器的参数，得到更新后的自编码器；基于所述第二损失更新所述向量判别器的参数，得到更新后的向量判别器；基于所述第三损失更新所述重建判别器的参数，得到更新后的重建判别器；从所述正常图像集中重新获取样本图像，并执行后续步骤，以对更新后的自编码器、更新后的向量判别器和更新后的重建判别器进行迭代训练，直至所述综合损失符合预设收敛条件。3.根据权利要求1所述的方法，其特征在于，所述随机遮挡所述样本图像中的部分区域，得到训练样本，包括：利用矩形框随机遮挡所述样本图像中的部分区域，得到所述训练样本。4.根据权利要求3所述的方法，其特征在于，所述矩形框的长宽比例为1:1，且所述矩形框占所述样本图像的10%。5.一种异常图像检测方法，其特征在于，包括：将待检测图像输入训练完成的自编码器，以使所述自编码器编码所述待检测图像得到待检测向量，并基于所述待检测向量得到目标图像；所述自编码器按照权利要求1至4任一项所述的方法训练得到；若所述目标图像与所述待检测图像的相似度小于预设阈值，则确定所述待检测图像为异常图像；否则，确定所述待检测图像为正常图像。6.根据权利要求5所述的方法，其特征在于，若所述待检测图像为交通监控图像，则所述异常图像中包括交通违法行为。7.一种自编码器训练装置，其特征在于，包括：获取模块，用于从正常图像集中获取样本图像；遮挡模块，用于随机遮挡所述样本图像中的部分区域，得到训练样本；处理模块，用于将所述训练样本输入初始状态的自编码器，以使所述自编码器编码所述训练样本得到目标向量，并基于所述目标向量得到重建图像；
第一计算模块，用于计算所述重建图像与所述样本图像之间的第一损失；利用初始状态的向量判别器计算所述目标向量和采样向量之间的第二损失；所述采样向量从预设均匀分布中采样获得，且与所述目标向量具有相同维度；第二计算模块，用于利用初始状态的重建判别器计算重建区域和所述部分区域之间的第三损失；所述重建区域为所述重建图像中与所述部分区域对应的区域；第三计算模块，用于基于所述第一损失、所述第二损失和所述第三损失确定综合损失；输出模块，用于若所述综合损失符合预设收敛条件，则将当前自编码器确定为仅对正常图像具有重建能力的自编码器，以利用当前自编码器检测异常图像。8.一种异常图像检测装置，其特征在于，包括：检测模块，用于将待检测图像输入训练完成的自编码器，以使所述自编码器编码所述待检测图像得到待检测向量，并基于所述待检测向量得到目标图像；所述自编码器按照权利要求1至4任一项所述的方法训练得到；确定模块，用于若所述目标图像与所述待检测图像的相似度小于预设阈值，则确定所述待检测图像为异常图像；否则，确定所述待检测图像为正常图像。9.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序，以实现如权利要求1至6任一项所述的方法。10.一种可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
技术总结
本申请公开了一种自编码器训练方法及组件，一种异常图像检测方法及组件。本申请在某一次迭代过程中，利用同一个样本图像对自编码器、向量判别器、重建判别器分别训练，可使自编码器提升自身对图像的重建能力，使向量判别器约束样本向量接近均匀分布，使重建判别器提升自身判别原遮挡区域和重建所得遮挡区域的能力，据此对抗训练和学习，降低了恒等映射出现的可能性和自编码器的泛化能力，最终使得自编码器仅对正常图像具有良好的重建能力，从而提升自编码器对异常图像的检测准确率。相应地，本申请提供的一种自编码器训练组件，一种异常图像检测方法及组件，也同样具有上述技术效果。果。果。
技术研发人员：赵冰
受保护的技术使用者：苏州浪潮智能科技有限公司
技术研发日：2021.09.08
技术公布日：2021/10/8