Title: GANomaly: Semi-supervised Anomaly Detection via Adverarial Training
Conference：ACCV 2018

论文链接：https://arxiv.org/abs/1805.06725
论文代码：https://github.com/samet-akcay/ganomaly

概述：异常检测是深度学习领域中的传统问题，是指从具有高度偏向性且样本量不足的数据集上从大量的正常样本中找出异常的样本，如今已经被广泛的运用在生物医学、金融、安全，如视频监控、欺诈检测、和网络系统中。由于异常情况相比于正常的情况极为罕见，通常无法获取大量的带有异常标签的样本。有监督学习尽管可以解决一些传统的异常检测问题，但更困难的是我们无法预测到的异常情况。例如，对于机场、边境的安检来说，每天面对的是大量的正常样本，相比之下未知的异常情况（如一些违禁物品）是极为罕见且多种多样的。对于很多应用场景下，我们无法采集到足够多的带标签的异常样本数据，选择传统的有监督学习通常是十分困难的。文章通过GAN生成对抗网络来进行自监督学习，并对传统的GAN模型加以改造，并非比较图像分布，而是在潜在空间下对比图像的编码。这一方法在多个数据集上取得了领先的效果。

本文通过使用一个条件生成对抗网络(conditional generative adversarial network)，联合学习高维图像空间的生成和潜在空间的推断。在生成器网络(generator)中使用编码器-解码器-编码器子网络使模型能够将输入图像映射到低维向量，使用该低维向量重构生成的输出图像，利用附加编码器网络将生成的图像映射到其潜在表示。在训练期间最小化这些图像和潜在向量之间的距离，从而有助于学习正常样本的数据分布。在测试阶段，从该学习数据分布中获得的较大距离度量表示该分布中存在异常值。

模型由三个不同的子网络构成，分别是：

生成器网络：使用自编码器通过对输入图像进行编码——解码生成图像：1.生成器G读取图像x，并传递给生成器G的编码网络Ge. 2.在经过卷积、批标准化以及弱RELU激活函数激活后，Ge将x∈R(w×h×c)压缩成一个向量z∈R(d)。3.解码器Gd采用DCGAN模型生成器的结构，使用卷积转置层、RELU激活、批标准化以及tanh激活函数得到x'∈R(w×h×c) 即z=Ge(x)，x'=Gd(z)
编码器网络：压缩生成器G生成的图像x'得到z'：编码器网络与Ge的架构细节相同，实现的功能分别是对x'和x进行压缩得到向量z'和z。但两者的参数化方法不同，前者通过bottleneck特征最小化latent向量，而后者通过参数化显式的学习最小距离，两者生成的z和z'的维度是相同的。
鉴别器网络：由DCGAN（arXiv:1511.06434）引入的鉴别器D（共5层神经网络，每一层使用卷积、BN和LeakyReLU，其中最后一层的激活函数是sigmoid），用来鉴别输入x和x'的真假。

内容中包含的图片若涉及版权问题，请及时与我们联系删除