OAAE：基于正交化潜空间的多模态正常性情形新颖性检测对抗自编码器
机器学习
2021-01-08 v1 计算机视觉与模式识别
机器学习
摘要
使用深度生成模型（如自编码器、生成对抗网络）的新颖性检测大多将图像重建误差作为新颖性评分函数。然而，图像数据维度高，包含大量除类别信息外的不同特征，使得模型难以检测新颖性数据。在多模态正常性情形下该问题更为困难。为应对此挑战，我们提出一种利用正交化潜空间在多模态正常性情形下度量新颖性评分的新方法。具体而言，我们在潜空间中使用正交低秩嵌入，借助互类别信息解耦潜空间中的特征。基于正交化潜空间，新颖性评分由各潜向量的变化来定义。所提算法与使用GAN的SOTA新颖性检测算法（如RaPP和OCGAN）进行了比较，实验结果表明我们的方法优于这些算法。
引用
@article{arxiv.2101.02358,
title = {OAAE: Adversarial Autoencoders for Novelty Detection in Multi-modal Normality Case via Orthogonalized Latent Space},
author = {Sungkwon An and Jeonghoon Kim and Myungjoo Kang and Shahbaz Razaei and Xin Liu},
journal= {arXiv preprint arXiv:2101.02358},
year = {2021}
}
备注
Accepted to AAAI 2021 Workshop: Towards Robust, Secure and Efficient Machine Learning