揭示异常暴露：从少量、单张与零张异常图像中能学到什么
计算机视觉与模式识别
2023-01-29 v2 机器学习
机器学习
摘要
由于刻画一切看似异于正常数据的样本不可行，异常检测（AD）传统上被视为仅利用正常样本的无监督问题。然而，近期发现无监督图像 AD 可通过利用海量随机图像语料来表示异常性而大幅改进；这一技术被称为异常暴露（Outlier Exposure）。本文中我们表明，专门的 AD 学习方法对于达到最先进性能似乎并非必要，而且仅用一小部分异常暴露数据即可获得强劲性能，这与 AD 领域的普遍假设相悖。我们发现，经过训练以区分正常样本与相对较少的随机自然图像的标准分类器和半监督单类方法，能够在基于 ImageNet 的既定 AD 基准上超越当前最优。进一步实验揭示，即便一张精心挑选的异常样本也足以在该基准上取得尚可的性能（79.3% AUC）。我们探究此现象并发现单类方法对训练异常样本的选择更为鲁棒，表明在某些场景下其仍比标准分类器更有用。此外，我们包含界定上述结果成立场景的实验。最后，当使用近期基础模型 CLIP 学到的表征时，无需任何训练样本，便可在零样本设定下于 CIFAR-10 与 ImageNet 上取得最先进的 AD 结果。
引用
@article{arxiv.2205.11474,
title = {Exposing Outlier Exposure: What Can Be Learned From Few, One, and Zero Outlier Images},
author = {Philipp Liznerski and Lukas Ruff and Robert A. Vandermeulen and Billy Joe Franks and Klaus-Robert Müller and Marius Kloft},
journal= {arXiv preprint arXiv:2205.11474},
year = {2023}
}
备注
47 pages; extended experiments; published in Transactions on Machine Learning Research. arXiv admin note: substantial text overlap with arXiv:2006.00339