技术特征：
1.一种样本检测方法，其特征在于，包括：获取待检测样本；将所述待检测样本输入至预先训练好的目标检测模型进行类别检测，得到目标检测值；其中，所述目标检测模型包括n层网络层，n为大于1的正整数，所述目标检测值是所述目标检测模型的最后一层网络层输出的值，所述目标检测值用于表征所述待检测样本的特征分布，所述目标检测模型的最后一层网络层为卷积层或池化层；根据所述目标检测值从预设的样本参考集筛选出目标均值，根据所述目标均值从所述样本参考集中筛选出目标样本；其中，所述待检测样本是所述目标样本的分布外样本；根据所述目标样本从所述样本参考集中筛选出标定类别；将所述标定类别作为所述待检测样本的样本类别；获取所述待检测样本与所述目标样本的距离参数；其中，所述距离参数用于表征所述待检测样本与所述目标样本之间的相似度；根据所述距离参数计算置信度；根据所述置信度和所述样本类别确定目标类别。2.根据权利要求1所述的样本检测方法，其特征在于，在所述将所述待检测样本输入至预先训练好的目标检测模型进行类别检测，得到目标检测值之前，所述样本检测方法还包括训练所述目标检测模型，具体包括：根据预设的原始生成器生成图像数据；将所述图像数据输入至预先训练好的原始检测模型进行处理，得到第一训练标签；将所述图像数据输入至预设的标定检测模型进行训练处理，得到第二训练标签；根据所述第二训练标签、所述第一训练标签对所述标定检测模型进行参数调整，得到所述目标检测模型。3.根据权利要求2所述的样本检测方法，其特征在于，所述训练所述目标检测模型，还包括对所述目标检测模型进行迭代训练，具体包括：根据第一训练标签对所述原始生成器进行参数调整，得到初步生成器；根据所述初步生成器更新所述图像数据；根据更新后的所述图像数据对所述目标检测模型进行迭代训练，直至所述目标检测模型满足预设的收敛条件，将所述初步生成器更新为目标生成器。4.根据权利要求3所述的样本检测方法，其特征在于，在所述根据所述目标检测值从预设的样本参考集筛选出目标均值，根据目标均值从所述样本参考集中筛选出目标样本之前，所述样本检测方法还包括构建所述样本参考集，具体包括：将预设的随机样本输入至所述目标生成器进行处理，得到原始样本；将所述原始样本输入至所述原始检测模型进行分类处理，得到原始类别；将所述原始类别相同的多个所述原始样本作为样本集；将所述样本集输入至所述目标检测模型进行类别检测，得到原始检测值；其中，所述原始检测值是所述目标检测模型的每一层网络层输出的值；根据所述原始检测值获取所述网络层所在的层级，得到网络层级；根据多个所述样本集、多个所述原始类别、多个所述原始检测值、多个所述网络层级构建所述样本参考集。
5.根据权利要求4所述的样本检测方法，其特征在于，所述原始检测值包括原始均值；所述根据所述目标检测值从预设的样本参考集筛选出目标均值，包括：将所述目标检测值和标定均值进行求差计算，得到均值差；其中，所述标定均值为所述样本参考集中所述网络层级为最后一层的原始均值；获取最小的所述均值差，作为目标差值；根据所述目标差值从所述标定均值筛选出所述目标均值。6.根据权利要求4所述的样本检测方法，其特征在于，所述原始检测值还包括原始协方差矩阵；所述获取所述待检测样本与所述目标样本的距离参数，包括：将所述待检测样本输入至所述目标检测模型进行类别检测，得到样本均值和样本协方差矩阵；其中，所述样本均值是所述目标检测模型的第n层所述网络层输出的值，所述样本协方差矩阵是所述目标检测模型的第n层所述网络层输出的矩阵；根据所述样本均值、所述样本协方差矩阵和所述样本参考集得到所述距离参数。7.根据权利要求1至6任一项所述的样本检测方法，其特征在于，所述将所述待检测样本输入至预先训练好的目标检测模型进行类别检测，包括：对所述待检测样本添加随机噪声，得到标定检测样本；将所述标定检测样本输入至所述目标检测模型进行类别检测。8.一种样本检测装置，其特征在于，包括：样本获取模块，用于获取待检测样本；均值计算模块，用于将所述待检测样本输入至预先训练好的目标检测模型进行类别检测，得到目标检测值；其中，所述目标检测值是所述目标检测模型的最后一层网络层输出的值，所述目标检测值用于表征所述待检测样本的特征分布，所述目标检测模型的最后一层网络层为卷积层或池化层；样本类别确认模块，用于根据所述目标检测值从预设的样本参考集筛选出目标均值，根据所述目标均值从所述样本参考集中筛选出目标样本；其中，所述待检测样本是所述目标样本的分布外样本；根据所述目标样本从所述样本参考集中筛选出标定类别；将所述标定类别作为所述待检测样本的样本类别；置信度计算模块，用于获取所述待检测样本与所述目标样本的距离参数；其中，所述距离参数用于表征所述待检测样本与所述目标样本之间的相似度；根据所述距离参数计算置信度；结果计算模块，用于根据所述置信度和所述样本类别确定目标类别。9.一种电子设备，其特征在于，包括：至少一个存储器；至少一个处理器；至少一个计算机程序；所述计算机程序被存储在所述存储器中，处理器执行所述至少一个计算机程序以实现：如权利要求1至7任一项所述的样本检测方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可
执行指令，所述计算机可执行指令用于使计算机执行：如权利要求1至7任一项所述的样本检测方法。
技术总结
本申请实施例涉及人工智能领域，尤其涉及一种样本检测方法、样本检测装置、电子设备及存储介质。其中，样本检测方法包括：获取待检测样本；将待检测样本输入至预先训练好的目标检测模型进行类别检测，得到目标检测值；根据目标检测值从预设的样本参考集筛选出目标均值和目标样本；根据目标样本从样本参考集中筛选出标定类别；将标定类别作为待检测样本的样本类别；获取待检测样本与目标样本的距离参数；根据距离参数计算置信度；根据置信度和样本类别确定目标类别。本申请实施例能够在不修改模型网络结构的基础上，实现对模型分布外样本检测能力的优化，从而降低了模型检测分布外样本的复杂度。的复杂度。的复杂度。
技术研发人员：瞿晓阳 王健宗 邓宝平
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2022.07.13
技术公布日：2022/11/22