SaliencyCut：增强合理异常以用于异常检测
计算机视觉与模式识别
2023-11-02 v2
摘要
开放集场景下的异常检测是一项具有挑战性的任务，需要学习判别性的细粒度特征以检测甚至在训练期间未见的异常。作为一种廉价而有效的方法，数据增强已被广泛用于生成伪异常，以更好地训练此类模型。近期增强方法的思路集中于生成随机伪样本，这可能导致增强样本与已见异常混合，或超出异常的典型范围。为解决此问题，我们提出一种新颖的显著性引导数据增强方法 SaliencyCut，以产生伪但更常见的异常，其倾向于停留在异常的合理范围内。此外，我们部署了一种由正常与异常学习头组成的双头学习策略，以学习每个样本的异常分数。理论分析表明，该机制提供了更易处理且更紧的数据对数似然下界。我们随后在异常学习头中设计了一种新颖的块级残差模块，以从每个样本中提取并评估细粒度异常特征，促进异常样本判别性表示的学习。在六个真实世界异常检测数据集上进行的大量实验证明了我们的方法在各种设置下相对于对比方法的优越性。
引用
@article{arxiv.2306.08366,
title = {SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection},
author = {Jianan Ye and Yijie Hu and Xi Yang and Qiu-Feng Wang and Chao Huang and Kaizhu Huang},
journal= {arXiv preprint arXiv:2306.08366},
year = {2023}
}