Y-GAN：学习双数据表示以实现高效异常检测
计算机视觉与模式识别
2022-11-14 v2
摘要
我们提出了一种用于异常检测的新型基于重构的模型，称为 Y-GAN。该模型由一个 Y 形自编码器组成，并在两个独立的潜在空间中表示图像。第一个空间捕获有意义的图像语义，这对于表示（正常）训练数据至关重要，而第二个空间编码低层残差图像特征。为了确保双表示编码互斥的信息，围绕潜在（代理）分类器设计了解耦过程。此外，提出了一种新的一致性损失以防止潜在空间之间的信息泄漏。该模型在单类学习设置下仅使用正常训练数据进行训练。由于语义相关和残差信息的分离，Y-GAN 能够推导出信息丰富的数据表示，从而在多种异常检测任务中实现高效异常检测。该模型在综合实验中与几种近期的异常检测模型进行了评估，使用了四个流行的数据集，即 MNIST、FMNIST 和 CIFAR10，以及 PlantVillage。
引用
@article{arxiv.2109.14020,
title = {Y-GAN: Learning Dual Data Representations for Efficient Anomaly Detection},
author = {Marija Ivanovska and Vitomir Štruc},
journal= {arXiv preprint arXiv:2109.14020},
year = {2022}
}