可解释的深层单类分类
计算机视觉与模式识别
2021-03-19 v3 机器学习
机器学习
摘要
用于异常检测的深层单类分类变体学习一种将正常样本在特征空间中聚集、从而使异常被映射远离的映射。由于该变换高度非线性，寻找解释是一项重大挑战。本文提出一种可解释的深层单类分类方法——全卷积数据描述（FCDD），其中被映射的样本本身也是解释热力图。FCDD 在 CIFAR-10 和 ImageNet 的常用异常检测基准上取得了有竞争力的检测性能并提供了合理的解释。在近期提供真值异常图的制造数据集 MVTec-AD 上，FCDD 在无监督设定下确立了新的 SOTA。我们的方法可在训练时融入真值异常图，即便仅使用少量（约 5 张）也能显著提升性能。最后，利用 FCDD 的解释，我们展示了深层单类分类模型对图像水印等伪图像特征的脆弱性。
引用
@article{arxiv.2007.01760,
title = {Explainable Deep One-Class Classification},
author = {Philipp Liznerski and Lukas Ruff and Robert A. Vandermeulen and Billy Joe Franks and Marius Kloft and Klaus-Robert Müller},
journal= {arXiv preprint arXiv:2007.01760},
year = {2021}
}
备注
25 pages, published as a conference paper at ICLR 2021