紧凑潜空间下用于一类新颖性检测的判别多级重建
机器学习
2022-07-25 v3 计算机视觉与模式识别
机器学习
摘要
在一类新颖性检测中,模型仅基于类内数据进行学习以甄别类外实例。自编码器(AE)变体旨在紧凑地建模类内数据以专一地重建之,从而通过重建误差区分类内与类外。然而,不当的紧凑建模可能导致类内数据的潜表示及其重建坍缩,进而造成性能退化。此外,为恰当度量高维数据的重建误差,需要一种能捕捉数据高层语义的度量。为此,我们提出判别紧凑自编码器(Discriminative Compact AE, DCAE),其学习类内数据既紧凑又无坍缩的潜表示,从而精细且专一地重建它们。在 DCAE 中,(a) 我们通过生成对抗网络的内部判别层重建类内数据,迫使紧凑潜空间双射地表示类内数据。(b) 基于深度编码器对开放集风险的脆弱性,类外实例被编码入同一紧凑潜空间并重建不佳,且不牺牲类内数据重建质量。(c) 在推断时,重建误差由一种新颖度量计算,该度量基于内部判别器所捕捉的类别语义来计算查询与其重建之间的不相似度。在公开图像数据集上的大量实验验证了我们所提模型在新颖性与对抗样本检测上的有效性,取得了当前最优(state-of-the-art)性能。
引用
@article{arxiv.2003.01665,
title = {Discriminative Multi-level Reconstruction under Compact Latent Space for One-Class Novelty Detection},
author = {Jaewoo Park and Yoon Gyo Jung and Andrew Beng Jin Teoh},
journal= {arXiv preprint arXiv:2003.01665},
year = {2022}
}
备注
Accepted to ICPR 2020 Oral (acceptance rate 4.4%)