基于卷积神经网络、中心损失与马氏距离的图像数据集异常检测
计算机视觉与模式识别
2022-07-19 v1
摘要
用户活动会产生大量无法在主数据处理流水线中处理或纳入训练数据集的劣质或无关图像与数据向量。此类样本可由专家手动分析或借助异常检测算法发现。对于异常样本存在若干形式化定义。对于神经网络,异常通常定义为分布外样本。本工作提出了图像数据集中分布外样本的有监督与半监督检测方法。我们的方法扩展了解决图像分类问题的典型神经网络。因此,一个经扩展的神经网络可同时解决图像分类与异常检测问题。所提方法基于中心损失及其对神经网络最后隐藏层深度特征分布的影响。本文在 MNIST 与 ImageNet-30 数据集上针对 LeNet 和 EfficientNet-B0 给出了所提方法的分析。
引用
@article{arxiv.2104.06193,
title = {Anomaly Detection in Image Datasets Using Convolutional Neural Networks, Center Loss, and Mahalanobis Distance},
author = {Garnik Vareldzhan and Kirill Yurkov and Konstantin Ushenin},
journal= {arXiv preprint arXiv:2104.06193},
year = {2022}
}