深度无监督图像异常检测：一个信息论框架
计算机视觉与模式识别
2020-12-10 v1 机器学习
机器学习
摘要
基于代理任务的方法近期在无监督图像异常检测中展现出巨大潜力。然而，代理任务与异常检测并不保证具有一致的优化方向。本文回归到利用信息论直接构建异常检测目标函数，该函数在图像与其表示的联合分布意义上最大化正常数据与异常数据之间的距离。遗憾的是，在训练时不提供异常数据的无监督设定下，该目标函数无法直接优化。通过对上述目标函数的数学分析，我们将其分解为四个组成部分。为了以无监督方式进行优化，我们证明：在正常与异常数据在隐空间中可分离分布的假设下，其下界可视为一个权衡互信息与熵的权重函数。该目标函数能够解释为何基于代理任务的方法对异常检测有效，并进一步指出潜在的改进方向。基于该目标函数，我们提出了一种新颖的无监督图像异常检测信息论框架。大量实验表明，所提框架在多个基准数据集上显著优于若干当前最优方法。
引用
@article{arxiv.2012.04837,
title = {Deep Unsupervised Image Anomaly Detection: An Information Theoretic Framework},
author = {Fei Ye and Huangjie Zheng and Chaoqin Huang and Ya Zhang},
journal= {arXiv preprint arXiv:2012.04837},
year = {2020}
}