OCGAN：基于约束隐空间表示的 GAN 单类新颖性检测
计算机视觉与模式识别
2021-02-23 v1 机器学习
摘要
我们提出一种称为 OCGAN 的新模型，用于解决经典的单类新颖性检测问题：给定来自特定类别的一组样本，目标是判断查询样本是否来自同一类别。我们的方案基于使用去噪自编码器网络学习类内样本的隐空间表示。我们工作的关键贡献在于明确提出将隐空间显式约束为仅表示该给定类别。为实现这一目标，首先，我们通过在编码器输出层引入 tanh 激活函数，迫使隐空间具有有界支撑。其次，利用在隐空间中以对抗方式训练的判别器，我们确保类内样本的编码表示类似于从同一有界空间中抽取的一致随机样本。第三，利用输入空间中的第二个对抗判别器，我们确保所有随机抽取的隐样本都能生成看起来真实的样本。最后，我们引入一种基于梯度下降的采样技术，探索隐空间中能生成潜在类外样本的点，并将其反馈给网络以进一步训练网络从这些点生成类内样本。我们使用两种单类新颖性检测协议在四个公开数据集上评估了所提方法的有效性，取得了最先进（state-of-the-art）的结果。
引用
@article{arxiv.1903.08550,
title = {OCGAN: One-class Novelty Detection Using GANs with Constrained Latent Representations},
author = {Pramuditha Perera and Ramesh Nallapati and Bing Xiang},
journal= {arXiv preprint arXiv:1903.08550},
year = {2021}
}
备注
CVPR 2019 Accepted Paper