利用同步编码器训练从受污染图像数据无监督学习异常检测
计算机视觉与模式识别
2019-11-21 v2 图像与视频处理
摘要
从高维数据(如图像)中无监督学习异常检测是一个具有挑战性的问题，近来受到深入研究。通过对正常样本的数据分布进行精细建模，可以检测出偏离样本，即所谓异常。生成对抗网络(GANs)能够建模正常图像样本的高度复杂、高维数据分布，已被证明是该问题的一种适用方法。已发表的基于GAN的异常检测方法常假设训练可用无异常数据。然而，该假设在大多数真实场景(即in the wild)中并不成立。本工作中，我们评估了训练数据中异常污染对最先进基于GAN的异常检测方法的影响。如预期，检测性能下降。为应对此性能下降，我们提出在训练时即加入额外的编码器网络，并表明生成器-编码器联合训练可分层化潜空间，从而缓解数据污染问题。我们通过实验表明，在该分层潜空间中查询图像的范数成为区分异常与正常数据的高度显著线索。所提方法在CIFAR-10以及一个新的、此前未经测试的大型细胞图像数据集上均达到了最先进的性能。
引用
@article{arxiv.1905.11034,
title = {Unsupervised Learning of Anomaly Detection from Contaminated Image Data using Simultaneous Encoder Training},
author = {Amanda Berg and Jörgen Ahlberg and Michael Felsberg},
journal= {arXiv preprint arXiv:1905.11034},
year = {2019}
}