用于新颖性检测的潜空间自回归方法
计算机视觉与模式识别
2019-03-07 v2
摘要
新颖性检测通常被称为对不符合已学习规律性模型的观测进行判别。尽管在不同应用环境中十分重要，但由于新颖性的不可预测性及其在训练过程中不可获取，这些因素暴露了该问题的无监督本质，设计新颖性检测器极其复杂。在我们的方案中，我们设计了一个通用框架，其中为深度自编码器配备一个参数化密度估计器，通过自回归过程学习其潜表示背后的概率分布。我们表明，与正常样本重建联合优化的最大似然目标，通过最小化潜向量所张分布的微分熵，有效地充当了当前任务的正则化器。除了提供非常通用的表述外，我们的模型在公开可用数据集上的大量实验在一类异常检测和视频异常检测设置中取得了与最先进方法相当或更优的性能。与先前工作不同，我们的方案不对新颖性的性质做任何假设，使我们的工作可随时应用于多样化情境。
引用
@article{arxiv.1807.01653,
title = {Latent Space Autoregression for Novelty Detection},
author = {Davide Abati and Angelo Porrello and Simone Calderara and Rita Cucchiara},
journal= {arXiv preprint arXiv:1807.01653},
year = {2019}
}
备注
Accepted by CVPR 2019