阿甘不只是一个画家!AnoGAN向估价师转型
三个要点
✔️用于异常检测的GAN的创始人，主要用于图像生成
✔️提出了一种将生成的图像与输入的图像联系起来的机制 ✔
️可以在不做标注的情况下检测到异常区域。
用生成式对抗网络引导标记物发现的无监督异常检测
，作者：李晓东。 Thomas Schlegl, Philipp Seeböck, Sebastian M. Waldstein, Ursula Schmidt-Erfurth, Georg Langs
(2017年5月17日提交)
评论： 将发表在2017年国际医学影像信息处理会议（IPMI）的论文集上。
主题： 计算机视觉和模式识别（cs.CV）；机器学习（cs.LG）。
概况
AnoGAN将GAN从画家变为行家!
它提出了一种方法，使一直以来主要关注于产生更精确、更真实的图像的GAN也能够处理异常的识别。
它只用正常的图像来学习创建更真实的图像，并利用输入图像与相应生成的图像之间的差异来判断是否异常。
它是一种贪婪的方法，即使是数据类型较少、没有注释的异常区域，也要尽量检测出来!
这是一篇重要的论文，被认为是第一个提出用GAN进行异常检测的论文。
背景
我不想再做注解了。
我没有足够的数据！
注释成本太高，很难!
我在做图像识别的时候，经常会听到类似上面的尖叫声。我们在数据中想要检测的数据数量和类型往往是有限的，这是值得注意的。
例如，在检测医学图像时，已知病灶有多种模式，但没有足够的数据集来检测每个病灶。
另外，只对图像的注释部分进行监督学习，并没有充分利用图像，因为同时我们也没有看到图像的其他部分或其他类型的病变。
对于这些问题，有一种方法叫做异常检测。
异常检测是指在训练过程中基本只使用正确答案，学习正确答案的分布，然后在测试过程中把那些不在分布范围内的答案识别为异常数据的方法。
简单的说，就是判断你不熟悉的东西是否可疑。
由于它只对正确的数据进行学习，因此预计它能够处理各种异常情况，同时需要较少的数据。
要阅读更多。
你需要在AI-SCHOLAR注册。
或
与本文相关的类别
