使用深度生成模型与高度污染数据进行的粒度学习
机器学习
2020-01-14 v1 机器学习
摘要
本文详述了一种利用近期归一化流模型，在具有质量问题的真实世界图像数据集上以粒度（连续）意义利用深度生成模型最新进展进行异常检测的方法，该方法可推广至许多其他应用/领域/数据类型。该方法完全无监督（无标注可用），但定性地显示出可通过叠加于图像上的缩放对数似然热图提供准确的语义标注。当按每幅图像的中位数值排序时，观察到清晰的质量趋势。此外，通过使用归一化流模型的对数似然输出作为特征提取卷积神经网络的训练信号，展示了一种弱监督的下游分类方法的可能与有效。CNN 的预线性稠密层输出显示出解耦高层表示并高效聚类各类质量问题。因此，展示了一种完全无标注（全无监督）的方法可准确估计与分类质量问题。
引用
@article{arxiv.2001.04297,
title = {Granular Learning with Deep Generative Models using Highly Contaminated Data},
author = {John Just},
journal= {arXiv preprint arXiv:2001.04297},
year = {2020}
}