DDR-ID：基于双深度重构网络的图像分解异常检测
计算机视觉与模式识别
2020-07-21 v1
摘要
图像异常检测(AD)的一个关键挑战是仅从正常类训练图像中学习判别信息。大多数基于图像重构的AD方法依赖于重构误差的判别能力。这是启发式的，因为图像重构是无监督的，未融入正常类特有信息。本文提出一种称为基于双深度重构网络的图像分解(DDR-ID)的AD方法。该网络通过联合优化三个损失进行训练：单类损失、潜空间约束损失和重构损失。训练后，DDR-ID可将未见图像分别分解为其正常类和残差分量。计算两个异常分数以量化图像在正常类潜空间或重构图像空间中的异常程度。从而可通过对异常分数进行阈值处理来执行异常检测。实验表明，在使用MNIST、CIFAR-10和Endosome数据集的图像异常检测以及使用GTSRB数据集的对抗攻击检测中，DDR-ID优于多种相关基准方法。
引用
@article{arxiv.2007.09431,
title = {DDR-ID: Dual Deep Reconstruction Networks Based Image Decomposition for Anomaly Detection},
author = {Dongyun Lin and Yiqun Li and Shudong Xie and Tin Lay Nwe and Sheng Dong},
journal= {arXiv preprint arXiv:2007.09431},
year = {2020}
}