OLED：用于新颖性检测的单类学习型编码-解码网络与对抗式上下文掩蔽
计算机视觉与模式识别
2021-11-11 v3 人工智能
摘要
新颖性检测是识别不属于目标类分布的样本的任务。训练期间新颖性类缺失，阻碍了传统分类方法的使用。深度自编码器已广泛用作许多无监督新颖性检测方法的基础。特别地，上下文自编码器在新颖性检测任务中取得成功，因为它们通过从随机掩蔽图像重建原始图像学到了更有效的表示。然而，上下文自编码器的一个显著缺陷是随机掩蔽无法一致地覆盖输入图像的重要结构，导致次优表示——尤其对于新颖性检测任务。本文为优化输入掩蔽，设计了一个由两大竞争网络组成的框架：掩蔽模块与重建器。掩蔽模块是一个卷积自编码器，学习生成覆盖图像最重要部分的最优掩蔽。相反，重建器是一个卷积编码-解码器，旨在从掩蔽图像重建未扰动图像。网络以对抗方式训练，其中掩蔽模块生成掩蔽并应用于送给重建器的图像。以此方式，掩蔽模块试图最大化重建器最小化的重建误差。应用于新颖性检测时，相比上下文自编码器，所提方法学到语义更丰富的表示，并通过更优掩蔽在测试时增强新颖性检测。在 MNIST 与 CIFAR-10 图像数据集上的新颖性检测实验证明了所提方法优于前沿方法。在 UCSD 视频数据集上的进一步新颖性检测实验中，所提方法取得了最先进结果。
引用
@article{arxiv.2103.14953,
title = {OLED: One-Class Learned Encoder-Decoder Network with Adversarial Context Masking for Novelty Detection},
author = {John Taylor Jewell and Vahid Reza Khazaie and Yalda Mohsenzadeh},
journal= {arXiv preprint arXiv:2103.14953},
year = {2021}
}
备注
accepted by WACV 2022