基于插值高斯描述子的深度单类分类
计算机视觉与模式识别
2022-03-25 v5
摘要
单类分类（OCC）旨在学习一种有效的数据描述，以包围所有正常训练样本，并基于与数据描述的偏离来检测异常。当前最先进的 OCC 模型通过超球面最小化学习紧凑的正常性描述，但它们常常过度拟合训练数据，尤其在训练集较小或受到异常样本污染时。为解决此问题，我们提出插值高斯描述子（IGD）方法，一种新颖的 OCC 模型，学习一个由对抗性插值训练样本训练得到的单类高斯异常分类器。该高斯异常分类器根据训练样本到高斯中心的距离以及这些距离的标准差来区分训练样本，在训练过程中为模型提供针对给定样本的可判别性。对抗性插值被强制用于一致地学习平滑的高斯描述子，即使训练数据较小或受到异常样本污染。这使得我们的模型能够基于具有代表性的正常样本而非边缘或异常样本来学习数据描述，从而显著改善正常性描述。在包括 MNIST、Fashion MNIST、CIFAR10、MVTec AD 和两个医学数据集在内的多种流行基准上的大量实验中，IGD 取得了优于当前最先进模型的检测精度。IGD 在训练集较小或受污染的问题中也表现出更好的鲁棒性。代码见 https://github.com/tianyu0207/IGD。
引用
@article{arxiv.2101.10043,
title = {Deep One-Class Classification via Interpolated Gaussian Descriptor},
author = {Yuanhong Chen and Yu Tian and Guansong Pang and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2101.10043},
year = {2022}
}
备注
AAAI 2022 Oral. The first two authors contributed equally