G2D：生成以检测异常
计算机视觉与模式识别
2020-06-30 v2 机器学习
摘要
在本文中，我们提出一种用于不规则性检测的新方法。以往研究将这一问题作为单类分类（OCC）任务解决，即在所有可用样本上训练一个参考模型。然后，若测试样本偏离参考模型，则将其视为异常。生成对抗网络（GANs）在 OCC 上取得了最有前景的结果，但此类网络（尤其针对 OCC 任务）的实现与训练是繁琐且计算昂贵的流程。为应对上述挑战，我们提出一种简单而有效的方法，将不规则性检测作为二分类任务来解决，以简化实现并提升检测性能。我们仅在正常样本上以 GAN 风格设置学习两个深度神经网络（生成器和判别器）。在训练期间，生成器逐渐精通于生成与正常样本相似的样本。在训练阶段，当生成器未能产生正常数据（在学习早期阶段以及完全收敛之前），它可被视为不规则性生成器。以此方式，我们同时生成不规则样本。之后，我们在生成的异常样本与正常实例上训练二分类器，以具备检测不规则性的能力。所提框架分别适用于图像与视频中异常和离群点检测的不同相关应用。结果证实，我们提出的方法优于基线及前沿方案。
引用
@article{arxiv.2006.11629,
title = {G2D: Generate to Detect Anomaly},
author = {Masoud Pourreza and Bahram Mohammadi and Mostafa Khaki and Samir Bouindour and Hichem Snoussi and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2006.11629},
year = {2020}
}