兼顾灰天鹅与黑天鹅：开集监督异常检测
计算机视觉与模式识别
2022-03-29 v1
摘要
尽管大多数现有异常检测研究假设仅可获得正常训练样本，但在许多真实应用中往往存在少量已标注异常样本，例如随机质检中检出的缺陷样本、日常医疗筛查中由放射科医生确认的病变图像等。这些异常样本提供了关于特定应用下异常性的宝贵知识，使近期一些模型能显著改进对同类异常的检测。然而，训练中所见异常通常并不能涵盖所有可能的异常类别，导致这些模型在泛化至未见异常类别时失效。本文处理开集监督异常检测问题，即利用异常样本学习检测模型，目标是检测已见异常（“灰天鹅”）与未见异常（“黑天鹅”）。我们提出一种新方法，学习由已见异常、伪异常和潜在残差异常（即在潜空间上与正常数据相比具有异常残差的样本）所刻画的异常解耦表示，后两类异常用于检测未见异常。在九个真实世界异常检测数据集上的大量实验表明，我们的模型在不同设定下检测已见与未见异常均具有优越性能。代码与数据见：https://github.com/choubo/DRA。
引用
@article{arxiv.2203.14506,
title = {Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection},
author = {Choubo Ding and Guansong Pang and Chunhua Shen},
journal= {arXiv preprint arXiv:2203.14506},
year = {2022}
}
备注
Accepted by CVPR2022, 16 pages