论文速读:Adversarially Learned One-Class Classifier for Novelty Detection [CVPR 2018]

最新推荐文章于 2025-02-01 22:13:23 发布

原创最新推荐文章于 2025-02-01 22:13:23 发布 · 694 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #计算机视觉

异常侦测 abnormal detection 专栏收录该内容

3 篇文章

订阅专栏

本文提出一种结合GAN与Autoencoder的异常检测方法，通过GAN的判别器辅助Autoencoder提高重建图像的真实性，并利用重建误差区分正常与异常数据。然而，Autoencoder仅能映射正常类别，对异常数据的处理能力有限。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Proposed Approach

本文所用到的网路为两部分,R采用auto encoder ，D 是与R一同构成GAN的Discriminator 部分。

下图为整个网路的系统架构图，整体的想法是：
1. 用 R(ae) 要reconstruction 出input的图像，同时为了使得R更健壮,对R的input 加入了Gaussian noise.
2. 用 D(Discriminator) 要识别区分出是real data 还是经由R reconstruction的data.

这两部分的loss相加，
一是期望通过D进一步辅助R 重构出与更逼真更靠近X分布的数据(GAN loss)
二是期望当进入不服从X分布的数据的时候，reconstruction 出来的数据通常会比服从X分布进来的数据要差这一想法，让D更便于区分(R loss)

讨论：
但auto encoder 缺点是只给出了normal class,但它不知道什么是abnormal，所以都会把喂进来的资料往normal domain上mapping。因此anomaly 经过mapping 后结果不一定比 normal 的差；
用reconstruction 后面接gan 的想法也比较常见，但这样的结果似乎作用不大。
同时本文没有给出anomaly detection 中常用data set 如 minist，cifar10等 one class 实验结果而是自己设计实验突出它主打的D(R(X)) 与D(X)性能对比。