基于连接式重构的新颖性检测

分布外样本检测是计算机视觉实际应用中的关键任务之一。深度学习的进步使我们能够分析含未解释样本的真实世界数据，比以往更凸显检测分布外实例的需求。基于GAN的方法因其分布拟合能力被广泛用于解决该问题；然而，它们伴随训练不稳定和模式崩溃。我们提出一种简单而高效的基于重构的方法，避免增加复杂性以弥补GAN模型的局限，同时优于它们。与以往仅利用重构误差或生成样本的基于重构的工作不同，我们提出的方法在检测任务中同时结合两者。我们的模型称为“连接式新颖性检测”（Connective Novelty Detection），具有两个子网络：一个自编码器和一个二分类器。自编码器通过重构正类样本学习其表示。然后，模型利用真实与生成样本创建负类和连接式正类样本。负类实例通过对真实数据操控生成，使其分布接近正类，从而为分类器获得更精确的边界。为增强检测对重构误差的鲁棒性，通过结合真实与生成样本创建连接式正样本。最后，使用连接式正类和负类样本训练二分类器。我们在MNIST和Caltech-256数据集上展示了相较最先进方法在新颖性检测上的显著提升。