面向新颖性与异常检测的度量学习
计算机视觉与模式识别
2018-12-13 v1
摘要
当神经网络处理与训练时所见分布不相似的图像（即所谓的分布外图像）时，它们常常做出错误的预测，且过于自信。因此，检测分布外图像的能力对许多实际应用至关重要。我们将分布外检测分为新颖性检测——训练集中不存在但与之相关的类别的图像——和异常检测——与训练集不相关的类别的图像。所谓相关，是指它们包含同类型物体，如 MNIST 和 SVHN 中的数字。现有工作大多聚焦于异常检测，并在考虑使用交叉熵损失训练的网络时解决该问题。与它们不同，我们提出使用度量学习，它不具有 softmax 层（交叉熵方法固有）的缺点，该缺点迫使网络将其预测能力分散到已学习的类别上。我们进行了大量实验，评估了新颖性和异常检测，甚至在交通标志识别等相关应用中，取得了与以往工作相当或更好的结果。
引用
@article{arxiv.1808.05492,
title = {Metric Learning for Novelty and Anomaly Detection},
author = {Marc Masana and Idoia Ruiz and Joan Serrat and Joost van de Weijer and Antonio M. Lopez},
journal= {arXiv preprint arXiv:1808.05492},
year = {2018}
}
备注
Accepted at BMVC 2018, 10 pages main article and 4 pages supplementary material