基于非对抗生成网络的新颖性检测
计算机视觉与模式识别
2020-02-06 v1 机器学习
摘要
单类新颖性检测是判断查询样本是否与训练样本（目标类）不同的过程。以往大多数策略尝试使用生成对抗网络（GANs）方法来学习目标样本的真实特征。然而，GANs 的训练过程仍然具有挑战性，存在模式崩溃和梯度消失等不稳定性问题。本文采用非对抗生成网络，针对新颖性检测任务提出了一种新颖的解码器-编码器框架，以取代经典的编码器-解码器结构。在非对抗框架下，潜空间与图像重建空间被联合优化，从而带来更稳定的训练过程，具有超快收敛速度和更低的训练损失。在推理阶段，受 cycleGAN 启发，我们设计了一种新的测试方案来进行图像重建，该方案是训练序列的逆过程。实验表明，我们的模型相对于前沿的新颖性检测器具有明显优势，并在数据集上取得了最先进的（state-of-the-art）结果。
引用
@article{arxiv.2002.00522,
title = {Novelty Detection via Non-Adversarial Generative Network},
author = {Chengwei Chen and Wang Yuan and Yuan Xie and Yanyun Qu and Yiqing Tao and Haichuan Song and Lizhuang Ma},
journal= {arXiv preprint arXiv:2002.00522},
year = {2020}
}