[异常检测]Explainable Deep One-Class Classfication论文阅读总结

supergxt

已于 2022-05-24 20:22:34 修改

阅读量1.6k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文阅读异常检测文章标签：计算机视觉深度学习人工智能

于 2021-08-20 14:42:11 首次发布

本文链接：https://blog.csdn.net/supergxt/article/details/119823181

本文介绍了深度学习无监督异常检测的新方法，通过将Deep SVDD模型的输出调整为二维矩，提供异常解释热图。在CIFAR-10、ImageNet等数据集上取得良好效果，同时在MVTec-AD数据集上实现异常位置解释。文章提出了无监督上采样算法，以保留特征图的空间信息，并使用pseudo-Huber loss进行训练，使正常样本与异常样本的区分更明确。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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数据集上可以做到解释异常位置。

Contribution

在传统无监督one-class任务中的效果接近sota(cifar10 imagenet)
在含有ground-truth的数据集中制定了新的sota
解释了DSVDD的Clever Hans效应。

Model

在这里插入图片描述

最传统的全连接卷积网络，图片被映射到 $1 * u * v$ 的feature map。论文提到卷积层的一个重要性质就是feature map的一个piexel只有关于输入的一个固定的感受野，这样feature map的异常分数就可以映射回原图片的位置。（保留 spatial information)

在这里插入图片描述

经过Fully Convolutional Data Description 得到一个feature map，同样也是一个 heatmap，再经过上采样获得原尺寸异常区域解释图。

Loss

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cuD67U4m-1629441635411)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20210820095914353.png)]$