基于GAN的元学习异常检测方法及其在高铁巡检系统中的部署
机器学习
2022-02-14 v1 人工智能
计算机视觉与模式识别
摘要
异常检测一直是一个活跃的研究领域，具有广泛的潜在应用。在大数据人工智能时代，异常检测面临的关键挑战包括：对潜在异常类型缺乏先验知识、输入数据中背景高度复杂且含噪声、异常样本稀少以及训练数据集不平衡。在本工作中，我们提出一种用于异常检测的元学习框架以应对这些问题。在该框架内，我们融入生成对抗网络（GANs）的思想，并恰当选取包括结构相似性指数测度（SSIM）在内的损失函数。在仅有少量标注数据的高铁巡检实验中，我们的元学习框架在识别异常时表现出敏锐且鲁棒的特性。该框架自2021年起已部署于中国五条高铁线路：它减少了超过99.7%的工作量，并节省了96.7%的巡检时间。
引用
@article{arxiv.2202.05795,
title = {Meta-learning with GANs for anomaly detection, with deployment in high-speed rail inspection system},
author = {Haoyang Cao and Xin Guo and Guan Wang},
journal= {arXiv preprint arXiv:2202.05795},
year = {2022}
}