Skip-GANomaly：用于异常检测的跳跃连接对抗训练编码器-解码器

尽管异常检测本质上定义不明，但它在机器学习和视觉场景理解中都是极具研究兴趣的方向。最常见地，异常检测被视为基于某种正态性度量在给定的数据分布中检测离群点。现实世界异常检测问题中最显著的挑战在于可用数据高度偏向于正态（即非异常）且至多包含所有可能异常样本的一个子集——因而限制了成熟监督学习方法的使用。相比之下，我们引入一种无监督异常检测模型，仅在正常（非异常、大量）样本上训练，以学习该领域正态性分布，从而基于与该模型的偏离来检测异常。我们提出的方法采用带跳跃连接的编码器-解码器卷积神经网络，以充分捕捉高维图像空间中正常数据分布的多尺度分布。此外，对该选定架构采用对抗训练方案，在 high-dimensional 图像空间和低维潜向量空间编码中均提供了优越的重建。在训练和隐藏向量空间中最小化重建误差度量有助于模型按需学习正态性分布。因此在后续测试和部署中较高的重建度量即表明偏离该正态分布，从而表明异常。在已建立的异常检测基准和具有挑战性的真实世界数据集（X 射线安检背景下）上的实验显示了该提出方法的独特前景。