[异常检测]Deep One-Class Classfication(Deep-SVDD) 论文阅读&源码分析

已于 2022-05-24 20:23:04 修改
阅读量4k 收藏 48
点赞数 5
CC 4.0 BY-SA版权
分类专栏： 异常检测 论文阅读 文章标签： 算法 深度学习
于 2021-07-22 15:31:38 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/supergxt/article/details/119000303
这篇博客详细介绍了Deep One-Class Classification（Deep-SVDD）论文，讨论了其在异常检测领域的应用。文章分析了模型结构，包括Soft-Boundary和One-Class两种Deep SVDD，并解释了为何需要避免平凡解，以及如何选择激活函数。此外，还探讨了实验结果，并提供了源码分析，包括数据集预处理和训练过程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文链接：http://proceedings.mlr.press/v80/ruff18a

文章目录

论文阅读

摘要

“尽管deep learning在很多machine learning任务中取得成功，相对较少的deep learning方法被用在异常检测任务中。一些原本被用来做其他任务的深度模型例如生成模型或压缩模型尝试被用在异常检测任务中，但是没有基于异常检测目标训练的网络”

在18年的时候，anomaly detection这个任务还没有什么深度学习的方法，摘要中提到基于异常检测的目标进行训练是整篇论文的核心，也为后面的DL-based AD任务提供了一些思路。

相关工作

相关工作部分论文提到了基于传统方法和深度方法两个方向

  • One-class SVM & support vector data description(SVDD)

    One-class SVM
    m i n 1 2 ∣ ∣ w ∣ ∣ F k 2 − ρ + 1 v n ∑ i = 1 n ξ i s . t . ⟨ w , ϕ ( x i ) ⟩ ≥ ρ − ξ i , ξ i ≥ 0 min \frac{1}{2}||w||^2_{F_k}- \rho + \frac{1}{vn}\sum_{i=1}^n\xi_i \\ s.t. \left \langle w,\phi(x_i) \right \rangle \geq \rho - \xi_i, \xi_i \geq 0 min21​∣∣w∣∣Fk​2​−ρ+vn1​i=1∑n​ξi​s.t.⟨w,ϕ(xi​)⟩≥ρ−ξi​,ξi​≥0
    SVDD
    m i n   R 2 + 1 v n ∑ i ξ i s . t . ∣ ∣ ϕ ( x i ) − c ∣ ∣ 2 ≤ R 2 + ξ i min \ R^2 + \frac{1}{vn}\sum_i\xi_i \\ s.t. ||\phi(x_i) - c||^2 \leq R^2 + \xi_i min R2+vn1​i∑​

最低0.47元/天 解锁文章
[异常检测]Explainable Deep One-Class Classfication论文阅读总结
supergxt的博客
08-20 1662
Motivation “This transformation is highly non-linear, finding interpretations poses a significant challenge.” 之前例如Deep-SVDD(DSVDD)等比较经典的无监督异常检测算法，很难解释一张图片为什么是异常的，因此这篇文章考虑将之前的DSVDD模型最终比较的向量调整为二维矩（explanation heatmap），在CIFAR-10 ImageNet上面有提升，且在MVTec-AD数据集上可以
异常检测(Out-of-distribution detection\ anomaly detection)相关论文阅读
supergxt的博客
06-17 3424
作者 Terrance DeVries 、Graham W. Taylor 论文原地址：https://arxiv.org/abs/1802.04865 Learning Confidence for OOD detection in NN OOD : where a network must determine whether or not an input is outside of the set on which it is expected to safely perform 提到任何事物都有认知
计算机视觉算法实战——异常检测（主页有源码）
m0_65481401的博客
02-25 1316
计算机视觉是人工智能领域的一个重要分支，旨在通过算法使计算机能够“看懂”图像或视频内容。异常检测（Anomaly Detection）是计算机视觉中的一个重要任务，其目标是从正常数据中识别出异常或罕见的事件。异常检测在工业检测、医疗影像分析、视频监控等领域有着广泛的应用。
Deep-SVDD-PyTorch:Deep SVDD异常检测方法的PyTorch实现
05-04
深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品，也请引用以下文章： @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti
SVDD（Support Vector Data Description）简介和推导过程 数据描述的算法，主要用于异常检测。
最新发布
05-19 837
核函数是一种将低维空间中的数据映射到高维空间的工具，通过对核函数的选择能够有效地处理线性不可分的数据。核函数的正定性和对称性保证了其在特征空间中的内积性质，使得支持向量机等算法在高维空间中能够高效运行。核函数类型形式适用场景特点线性核线性可分数据，低维特征空间计算效率高，无法处理复杂非线性数据多项式核中等复杂度的非线性数据可以处理非线性数据，阶数越高复杂度越大高斯核复杂的非线性数据分布对距离敏感，需要调整核宽度参数 (\gamma)拉普拉斯核稀疏特征或长尾分布数据，存在异常值。
Deep SVDD
qq_35356741的博客
04-03 5112
SVDD的基本原理是建立一个超球体去尽可能地包含所有数据，当数据在超球体外就将其作为异常点。 如图1所示： 图1 SVDD原理示意图 在SVDD的原理（具体可参考上一篇博客）中，其优化过程如下： ...
ICML2018(Anomaly Detection)：Deep SVDD-论文解读《Deep One-Class Classification》
要相信光
12-31 9340
文章目录原文地址论文阅读方法初识相知2. Related Work3. Deep SVDD4. Experiments回顾代码 原文地址 http://data.bit.uni-bonn.de/publications/ICML2018.pdf 论文阅读方法 三遍论文法 初识 本文主要提出一种全新的异常检测方法：Deep SVDD（Deep Support Vector Data Description）用于图像级别的异常检测。采用神经网络提取图像特征，构造单分类目标函数。 相知 2. Related Wo
（十八）Deep One-Class Classification
WangZixuan1111的博客
06-09 5393
论文信息 2018 ICML 数据集（3个）：MNIST+CIFAR-10图像基准数据集+GTSRB停止标志数据集 论文原文下载链接： Deep One-Class Classification 论文对应代码： https://github.com/lukasruff/Deep-SVDD 论文解析参考链接 1、文章相关概念理解整理归纳：关于OCSVM与SVDD的理解 2、相关理解参考：https://www.cnblogs.com/wj-1314/p/10701708.html 2、论文解析参考：htt
论文阅读【异常检测】Deep One-Class Classification(附代码)
weixin_47082769的博客
09-05 1175
尽管深度学习在许多机器学习问题上取得了巨大进步，但用于异常检测的深度学习方法相对缺乏。那些确实存在的方法涉及经过训练以执行异常检测之外的任务的网络，即生成模型或压缩，这些网络又适用于异常检测；他们没有接受过基于异常检测目标的培训。在本文中，我们介绍了一种新的异常检测方法——深度支持向量数据描述——该方法是在基于异常检测的目标上进行训练的。对深层机制的适应需要我们的神经网络和训练程序满足某些属性，我们在理论上证明了这一点。我们展示了我们的方法在 MNIST 和 CIFAR-10 图像基准数据集以及 GT SR
Deep-SVDD 方法
Mark_Australia的博客
11-22 2667
Deep-SVDD 方法
基于声纹deep-SVDD深度学习的检测电机运转是否异常的检测工具（pyqt5+python）
02-01
1、pyqt5 设计界面 2、实现音频数据采集、单次检测、连续检测三大功能，并能保存相关音频数据,并实现分类保存 3、使用deep-SVDD 一分类算法
deep-one-class:调优深度网络以学习用于一类分类的功能
05-09
深一类 深入学习一类功能。 纸 依存关系 Python 3.6 张量流 凯拉斯 H5py（支持HDF5文件格式） 脾气暴躁的 OpenCV2的 Matplotlib
论文研究-基于SVDD和深度学习的特定类别图片分类研究 .pdf
08-19
基于SVDD和深度学习的特定类别图片分类研究，陆健，肖波，随着互联网的高速发展，人们从网上获取大量信息的同时，也深受某些，比如不良、暴恐等图片的困扰。因此，对于这些图片进行过滤是
Learning Deep Features for One-Class Classification.pdf
08-02
论文原文，我在原文上做了一些标注，可能打开时会有什么提示，直接忽略就好。
SVDD one class SVM
03-12
该源代码是SVDD，其中对一类的SVM有很好的分类作用
Exlpainable Deep One-Class Classification 可解释的深度单类分类
脑子不太清醒
02-28 1116
本文提出的是完全卷积数据描述FCDD。在MVTec-AD制造业数据集上，在无监督的情况下创造了新的技术水平。作者的方法：在训练过程中加入地面真实的异常解释，利用FCDD的解释，证明了深度单类分类模型对虚假图像特征的脆弱性。
《Deep One-Class Classification》在异常检测的一种检测计算工具
qq_45496282的博客
08-25 4171
《Deep One-Class Classification》 发表的刊物：ICML 2018 论文地址链接：http://proceedings.mlr.press/v80/ruff18a/ruff18a.pdf 想重点提一下这一篇文章的原因是： 最近看的好几篇异常检测的文章都用到了One-Class Classification，自己不是理解的很透彻，就想借以做个专栏一次性将相关概念都以自己的知识掌握程度去理解一下，并尝试自己给讲解出来。 有关概念：SVM（支持向量机）、one class SVM：简
(一)Deep-One-Class-Classification论文解读及代码分析
机器人视觉感知
05-04 6276
单分类，异常检测，深度支持向量描述
A Deep One-class Model for Network Anomaly Detection
weixin_44248411的博客
08-29 428
A Deep One-class Model for Network Anomaly Detection 摘要： ​ 对于传统的网络异常检测，检测性能与所选择的特征和用于训练的数据集有关。传统的检测方法是人工挑选特征，同时收集用于训练的数据集多数是不平衡的，导致模型对于大多数的数据会做出错误判断。本文提出一种基于层叠式自动编码器的检测模型。首先用这个模型从原始采集到的数据中选择主要特征，随后利用一个单分类算法SVDD去训练一个分类器来判断网络流量是否为异常。 简介： ​ 主要有两种网络保护机制：【1】
deep svdd 代码案例
12-14
Deep SVDD是一种用于异常检测的深度学习算法，它可以有效地识别出数据集中的异常数据。在一个典型的Deep SVDD代码案例中，首先需要准备一个包含正常数据和异常数据的数据集。然后，我们可以使用Python编程语言和深度学习框架（如PyTorch或TensorFlow）来实现Deep SVDD算法。 在代码实现中，首先需要搭建一个深度神经网络模型，可以选择常见的网络结构，例如多层感知机（MLP）或卷积神经网络（CNN）。然后，我们需要使用正常数据来训练模型，目的是让模型学习如何表示正常数据的特征。在训练过程中，我们可以使用梯度下降等优化算法来调整模型的参数，以使其尽可能地拟合正常数据。 在模型训练完成后，我们可以使用训练好的模型来对新的数据进行预测。根据模型输出的结果，我们可以将数据分为正常和异常两类。通过设定一个阈值，我们可以将模型输出的异常程度超过阈值的数据划分为异常数据，从而实现异常检测的目的。 在实际的Deep SVDD代码案例中，还可以进行模型调参、性能评估、结果可视化等工作，以优化模型的性能和效果。综上所述，Deep SVDD算法在代码实现中可以帮助我们实现有效的异常检测，帮助我们发现数据集中的异常数据。
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值