读论文-----Adversarially Learned One-Class Classifier for Novelty Detection

论文下载地址：http://openaccess.thecvf.com/content_cvpr_2018/papers/Sabokrou_Adversarially_Learned_One-Class_CVPR_2018_paper.pdf
代码地址： https://github.com/khalooei/ALOCC-CVPR2018

Adversarially Learned One-Class Classifier for Novelty Detection（用于单类异常检测的对抗学习分类器）

对Novelty Detection的理解：
作者在相关工作中指出，Novelty Detection是umbrella term（概括性术语），他包括One-class classification，rare event detection, outlier detection/removal, anomaly detection。我的理解就是识别数据群，图像集或视频中的异常。

对题目的理解：
这篇论文主要构建了名为ALOCC（即为Adversarially Learned One-Class Classifier）的模型。文中提出的Novelty Detection（异常检测）实现对测试数据进行数据分类的任务，也就是识别新的或者无法解释的一组数据的过程，已确定这些数据是否符合规范，这里的规范就是符合训练数据的通用特征。模型名中之所以称为One-Class Classifier（单类分类器），是因为两者存在相似之处：都是只有或者大部分都是positive data（正常数据），最终的分类结果只有是正常数据和非正常数据。

放一个one－class，我认为最通俗的解释：

（照片来自知乎，侵删）

对论文内容的部分理解（以下图片均来自于作者论文或其博客）：
（1）论文中我认为最重要的一张图：
这张图就是作者花了大量笔墨构建的模型：以GANs作为外部框架（R网络和D网络构成），其中R网络用自动编码器生成，D网络用CNN生成。

这里在放一张我认为最通俗易懂的自动编码器部分的工作图：

上图用论文中的解释大概就是：Encoder将输入的图片压缩为较低维度的特征，比如说输入一个MNIST的样本（一个样本784个像素）可以将其压缩至只有10个浮点数的矩阵，这个矩阵就是图像的特征。而Decoder将编码器产生的特征作为输入开始重构图像，并使其尽可能的接近原始图像。

（2）对整个模型的理解：
模型整体是采用GANs的架构，自动编码器生成的R网络对输入的图像重构，使生成图像接近原始真是图像，从而达到欺骗鉴别器D网络的目的。

（3）我认为的该模型与其它模型的突出之处：

• 为了使模型更具有鲁棒性，在输入图像中加入了高斯噪音；

• 定义了两个损失函数
  
  这里存在第二个损失函数，是因为R网络承担的另一个任务就是增强原始数据，抑制异常数据。

• 把R(x)放入D鉴别器中，就输出结果对比更具有优势。

• 与传统的GANs 相比，该模型只是有针对的对一类图像进行特征的提取，R网络重构时也只是针对该类特征进行恢复，所以该模型对异常数据的容错率更低。如图所示：
  -
  上面可以看出，第一排是增加了高斯噪音之后的原图，第二排是R网络依据提取的特征进行重构后的图片，左边是正样本，右边是异常样本，左右识别输出能力差距十分大，且D(R(x))表现更加突出。

• 该模型较其他模型而言，采用帧级处理技术，可以更优秀的运用至视频中。

不过在论文的最后，作者也讨论了本模型与其他模型相比Err并没有下降很多。一方面是因为模型中RD网络训练的成功与否，主要有人为判断，只是简单的认为当D网络鉴别能力出现混淆是就认为模型训练工作的完成，另一方面是由于作者在数据集中加入10%的异常数据。

模型的运用场景：检测医疗诊断问题，复杂工业系统中的故障和故障检测，结构损坏，电子安全系统中的入侵，如信用卡或手机欺诈检测，视频监控，移动机器人，传感器网络，天文目录，以及文本挖掘

最后附上作者代码中判断模型结束训练的图：

本图显示了5个阶段的R网络重构图像的loss函数值，可以大致的看到在第三阶段时，损失最小，故选择在此时进行novelty Detection。

模型检验结果：

这是对1这个数字集进行特征提取之后的重构图，上面是原图，下面是重构图

这里是输入不是1的其他数字图片（即为异常图片）进行重构后的输出。

本人是正在入门的深度学习小白，如果上述对论文的理解有出现错误的地方，请评论指出，相互进步。
若有转载需要，请注明出处，https://blog.csdn.net/sharonITlion/article/details/89299437
谢谢大家阅读