DenseNet特征分组深度孤立森林图像异常检测

来源：电子测量技术杂志2025年第15期北京时间：

作者：周训会，黄成泉，肖洪湖，董红来

单位：1.贵州民族大学数据科学与信息工程学院 贵阳 550025;2.贵州民族大学工程技术人才实践训练中心 贵阳 550025

摘要：为了拓宽深度孤立森林（DIF）算法的应用领域。本文将深度学习预训练DenseNet121模型和DIF算法相结合，提出了一种DenseNet深度孤立森林（DDIF）算法用于探索该方法在工业图像异常检测数据集MVTec AD上的应用效果。但是经DenseNet-121模型特征提取后特征向量维度相当高，在随机选择数据属性构建树时可能存在数据集中某些重要特征属性无法被选中的问题，因此本文又提出一种基于特征分组深度孤立森林（GDIF）算法并用在表格型数据集上。最后，在DDIF算法的基础上结合GDIF算法得到DenseNet特征分组深度孤立森林算法（DGDIF），解决了高维数据重要特征漏选问题。实验选取不同的数据集进行异常检测，发现DDIF方法在15个图像数据集中有9个优于其他基于深度学习的方法；GDIF方法在9个表格数据集中较其他传统经典的异常检测算法表现出更优的AUROC值；DGDIF方法在15个图像数据集中有9个优于不引用特征分组的DDIF方法。实验结果验证了所提出的GDIF算法，DDIF算法和DGDIF算法的有效性。

关键词：异常检测;特征分组;DenseNet-121;深度孤立森林

基金资助：国家自然科学基金(62062024)、贵州省模式识别与智能系统重点实验室2022年度开放课题(GZMUKL［2022］KF03)、贵州省教育厅自然科学研究项目(黔教技［2022］015)资助