老而弥珍：重新定义对抗学习单类分类器的训练范式
计算机视觉与模式识别
2020-06-22 v4
摘要
异常检测的一种流行方法是利用对抗网络的生成器基于输入的重构损失来构造异常分数。由于异常样本罕见，优化此类网络可能是一项繁琐的任务。另一种可能的方案是同时使用生成器和判别器进行异常检测。然而，由于涉及对抗训练，该模型往往不稳定，性能随每个训练步骤剧烈波动。在本研究中，我们提出一种框架，能够在广泛的训练步骤范围内有效生成稳定结果，并允许我们使用对抗模型的生成器与判别器进行高效且鲁棒的异常检测。我们的方法将判别器的根本角色从区分真实与虚假数据转变为区分高质量与低质量重构。为此，我们通过当前生成器制备高质量重构的训练样本，而低质量样本则利用同一生成器的旧状态获得。如此，判别器学会检测异常输入重构中常出现的细微失真。在 Caltech-256 与 MNIST 图像数据集上进行的新颖性检测实验显示出优越结果。此外，在 UCSD Ped2 视频异常检测数据集上，我们的模型取得了 98.1% 的帧级 AUC，超越了近期最先进（SOTA）方法。
引用
@article{arxiv.2004.07657,
title = {Old is Gold: Redefining the Adversarially Learned One-Class Classifier Training Paradigm},
author = {Muhammad Zaigham Zaheer and Jin-ha Lee and Marcella Astrid and Seung-Ik Lee},
journal= {arXiv preprint arXiv:2004.07657},
year = {2020}
}
备注
Accepted at the Conference on Computer Vision and Pattern Recognition CVPR 2020. http://openaccess.thecvf.com/content_CVPR_2020/html/Zaheer_Old_Is_Gold_Redefining_the_Adversarially_Learned_One-Class_Classifier_Training_CVPR_2020_paper.html