GANはただの画家ではない！鑑定士への転身を果たすAnoGAN
3つの要点
✔️ 画像生成メインで用いられるGANを異常検知に使った創始者
✔️ 生成画像と入力画像を紐付ける仕組みを提案
✔️ アノテーションなしでも異常部位を検出できるようになる可能性
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
written by Thomas Schlegl, Philipp Seeböck, Sebastian M. Waldstein, Ursula Schmidt-Erfurth, Georg Langs
(Submitted on 17 Mae 2017)
Comments: To be published in the proceedings of the international conference on Information Processing in Medical Imaging (IPMI), 2017
Subjects: Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG)
概要
GANを画家から鑑定士に変化させる！AnoGAN。
主により精密でよりリアルな画像を作り出すことが主流だったGANが異常かどうかの判別をもこなすようになる方法を提案しています。
正常画像のみでよりリアルな画像に作り出すように学習し、入力画像とそれに対応した生成画像の差を用いて異常かどうかを判別します。
少ないデータ種類、アノテーションなしで異常部位まで検出を試みる欲張りな手法です！
GANによる異常検知を初めて提案したとされている重要な論文です。
背景
もうアノテーションしたくない。。。
データが足りない！！！
アノテーションコストが高い、しんどい！！！
画像認識をする際に上のような悲鳴をよく耳にします。データの中でも検出したいような、特筆すべきデータの量や種類が限られることはよくあります。
例えば、医療画像の検出の際には既知の病変のパターンが複数あるが、それぞれの病変を検出に足るようなデータセットがないなど。
また、アノテーションされた部分だけを教師あり学習することは、同時にそれ以外の部分やそれ以外の種類の病変は見ないことになるので、画像を最大限に活かせていません。
これらの課題に対し、異常検知というアプローチがあります。
異常検知とは、学習時は基本的に正解のみを使うことで、正解の分布を学習し、テスト時にその分布から外れているものを異常データと判別するアプローチです。
簡単にいうと、見慣れてないものは怪しいぞと判断することです。
正解データのみで学習するので、必要なデータ数はより少ない一方で、様々な異常に対応できることが期待されています。
続きを読むには
(5247文字画像9枚)AI-SCHOLARに
登録いただく必要があります。
この記事に関するカテゴリー
