基于负学习的深度视觉异常检测
计算机视觉与模式识别
2021-05-25 v1
摘要
随着基于深度卷积的架构学习能力的提升，此类模型的各类应用被不断提出。在异常检测领域，深度学习的进步为试图使数据收集的繁重特征自动化的研究人员开辟了新探索前景。首先，就数据收集而言，无法预见给定环境中可能存在的所有异常。其次，即便限定异常的可能性，仍难以记录所有这些场景以训练模型。第三，即便记录到大量异常数据，在像素甚至帧级别标注此类数据也颇为费力。多种方法通过使用仅在正常数据上训练的生成模型进行单类分类来解决该问题。此类方法仅使用正常数据，其数量充足且不需要大量人工输入。然而，它们仅以正常数据训练，在测试时给定异常数据作为输入，常可能生成看似正常的输出。这源于生成模型的幻觉特性。进而，这些系统设计为在训练中不使用异常样本。本文中，我们提出基于负学习的异常检测（ADNL），其利用负学习概念，通过在训练中使用相对于正常数据极少量的标注异常数据来增强异常检测。其思想是借助给定少量异常样本限制生成模型的重构能力。如此，网络不仅学习重构正常数据，还将正常分布封闭于远离异常可能分布之处。
引用
@article{arxiv.2105.11058,
title = {Deep Visual Anomaly detection with Negative Learning},
author = {Jin-Ha Lee and Marcella Astrid and Muhammad Zaigham Zaheer and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2105.11058},
year = {2021}
}