[Notes] 2018 ALAD：Adversarial Learned Anomaly Detection

最新推荐文章于 2024-05-31 09:52:24 发布
最新推荐文章于 2024-05-31 09:52:24 发布
阅读量1.1k 收藏 3
点赞数
分类专栏： Notes 文章标签： 笔记 异常检测 GAN 自编码器
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiiiiiaaaa/article/details/102896651
版权
ALAD是一种使用双向GAN进行异常检测的方法，通过对抗学习和编码网络实现高效测试，避免了AnoGAN的优化问题。它结合循环一致性损失和稳定GAN训练，提升了异常检测效果。在SVHN和CIFAR-10数据集上的实验展示了其优越性能。
摘要由CSDN通过智能技术生成

[Paper][Code]

 

本文提出了一种基于双指向性GAN异常检测的方法ALAD，使用对抗学习到的特征的重建误差决定样本是否异常。ALAD建立在确认数据空间和潜在空间的循环一致性损失、稳定的GAN训练上，达到了SOTA。

AnoGAN首先提出了在眼部图像上使用一个标准GAN结构做异常检测的方法，然而在测试阶段，为了找到潜在向量z，该方法需要对每个测试样本解决优化问题，之后通过z计算每个样本的异常分数，因此在实时应用中或应用于大型数据集时实现起来非常不现实。

本文提出的ALAD算法不仅十分有效，而且测试简便，利用一类GAN在训练时同时学习一个编码网络，除此之外还结合了一些现有的技术提升编码网络、稳定GAN训练，通过消融实验显示这些技术确实提高了异常检测的效果。

创新点：

建立在双指向性GAN的结构上，因此也包括一个将数据样本映射到潜在变量的编码网络，避免了昂贵的计算过程，潜在变量在测试时只需要在编码网络中通过一个简单的前向传播就可以获得；

评价指标与AnoGAN不同；

结合最新进展以稳定GAN训练过程。

A. GAN结构

最低0.47元/天 解锁文章
jiiiiiaaaa
关注
专栏目录
Deep Learning for Anomaly Detection: A Review
c_cpp_csharp的专栏
08-23 1036
本文是对《Deep Learning for Anomaly Detection: A Review》的翻译。 深度学习进行异常检测：综述摘要1 引言2 异常检测：问题复杂性和挑战2.1 主要问题复杂性2.2 深度异常检测面临的主要挑战3 解决深度异常检测的挑战3.1 前言3.2 深度异常检测的分类4 用于特征提取的深度学习5 常态性的特征表示学习5.1 特征学习的一般常态5.2 异常度量独立特征学习6 端到端异常得分学习6.1 排序模型6.2 先验驱动模型6.3 软最大似然模型6.4 端到端一类分类7 算
【论文分享】深度异常检测综述（Deep Learning for Anomaly Detection: A Review）-中
vector的博客
08-24 3119
在上一次的论文分享中????https://blog.csdn.net/qq_39328436/article/details/118582785我们介绍了深度异常检测以及其复杂性与挑战。在这个一次的论文分享中，我要介绍“深度异常检测”的几个类别，也可以说是几个重点的研究方向。一共涉及三个大类以及11个小类，本次会对这11个类别展开介绍，重点介绍特征，原理，研究路线，优点，缺点，以及他们所应对的挑战。需要提前说明的是，本次并不对每个方法的进行详细的逻辑推导和证明（毕竟是综述性质的论文，主要的目的还是从整体上
创新性的异常检测：Adversarially Learned One-Class Classifier（ALOCC）
最新发布
gitblog_00021的博客
05-31 422
创新性的异常检测：Adversarially Learned One-Class Classifier（ALOCC） ALOCC-CVPR2018Adversarially Learned One-Class Classifier for Novelty Detection (ALOCC)项目地址:https://gitcode.com/gh_mirrors/al/ALOCC-CVPR2018 ...
ALAD
七把叉
06-05 690
Adversarially Learned Anomaly Detection IEEE ICDM 2018 paper code 研究动机（主要解决的问题） 1、developing effective methods for complex and high-dimensional data remains a challenge 对复杂的高维的数据难处理 2、The need to so...
论文译文《ANOMALY DETECTION WITH GENERATIVE ADVERSARIAL NETWORKS》
weixin_40506067的博客
05-21 1118
0 ABSTRACT 许多异常检测方法都能很好地处理低维问题，但是对于高维空间，比如图像，却显然缺乏有效的方法。 受到最近深度学习成功的启发，我们提出了一种利用生成对抗性网络的新方法来实现异常检测。 给定一个正在考虑的样本，我们的方法是基于在生成器的潜在空间中寻找该样本的一个好的表示; 如果没有找到这样的表示，该样本被视为异常。 我们在标准图像基准数据集上实现了最先进的性能，并且对最不规则的样本进行了目视检查，结果表明我们的方法确实返回了异常。 1 INTRODUCTION 对于一个数据集合，通常需要自
GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training阅读笔记
weixin_43540533的博客
03-17 633
GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training阅读笔记 Abstract 异常检测任务，就是当数据集由于另一类（异常）的样本量不足而高度偏向一类（正常）时，从异常中确定正常数据。 由于异常情况的类别不可知同时数量较少等问题，导致有监督的分类学习问题不容易解决。所以引入半监督的学习方式。 半监督的学习方式：数据集只有正常类，测试集包括正常和异常类。 无监督的学习方式：数据集包括正常类和异常类，测试集包括正常和异常类。
入门机器学习(十八)--异常检测(Anomaly Detection)
魔法师の屋子★↓☆
06-11 5978
异常检测（Anomaly Detection）1. 问题动机(Problem Motivation)2. 高斯分布(Gaussian Distribution)3. 算法(Algorithm)4. 开发和评价一个异常检测系统(Developing and Evaluating an Anomaly Detection System) 1. 问题动机(Problem Motivation) 什么是异...
self-attention gan 代码_GAN+异常检测
weixin_39707851的博客
10-28 1373
本文主要调研一下gan在异常检测的方法。训练阶段： 可以通过网络仅仅学习负样本（正常数据）的数据分布，得到的模型G只能生成或者重建正常数据。测试阶段： 使用测试样本输入训练好的模型G，如果G经过重建后输出和输入一样或者接近，表明测试的是正常数据，否则是异常数据。模型G的选择： 一个重建能力或者学习数据分布能力较好的生成模型，例如GAN或者VAE，甚至encode...
Stanford 机器学习 Anomaly Detection
弱鸡
05-11 712
Anomaly Dectection 检测异常点，通过判断该点出现的概率，如果概率较小，就判断为异常点，否则为正常点。 高斯分布，均值和方差这两个参数的估计，在实际情况下，分子为m或者m-1差别不大。 如何分配训练集和测试集。 对于算法的评估，如果anomalous点较少时，应该如何评估。 Anomaly Dection和Supervised learning的区别： 异
CVPR |2021 Anomaly Detection in Video Sequences: A Benchmark and Computational Model阅读笔记
weixin_59340037的博客
04-06 2652
论文地址：https://arxiv.org/abs/2106.08570 代码地址：https://github.com/wanboyang/anomaly_detection_LAD2000 1.研究背景 现存的异常检测数据集主要有两个问题，（1）规模有限 （2）训练集只包含指示整个视频中存在异常事件的视频级别的标签，但是缺少精确的持续时间的注释。为此我们提出了一个新的大规模的异常检测数据集（LAD）作为视频序列异常检测的基准，它具有如下特点：（1）它包含2000个视频序列，包含像撞车、火灾、暴力等14
2021-ADNet：监控视频中的时间异常检测ADNet: Temporal Anomaly Detection in Surveillance Videos
qq_41956697的博客
05-07 910
异常检测一般的方法是学习环境中的正常行为，将一切不正常的行为定义为不正常，这种方法可能会产生一些误报，但是有可能识别不包括在训练数据集中的异常情况。另一种方法是将数据集中的异常情况喂给模型学习，并尝试识别它们，但是失去了识别没有训练过的异常情况的能力。 本文的贡献： 1.提出了一个异常检测网络：ADNet，利用卷积来定位视频中的异常。 2.为了提高ADNet的异常检测能力，提出了AD损失函数。 3.扩展了UCF-Crime数据集，增加了两个异常类。 本文的代码和数据集扩展在： https://github.
论文速读:Adversarially Learned One-Class Classifier for Novelty Detection [CVPR 2018]
攻城争先登
09-07 633
Proposed Approach 本文所用到的网路为两部分,R采用auto encoder ，D 是与R一同构成GAN的Discriminator 部分。 下图为整个网路的系统架构图，整体的想法是： 1.用 R(ae) 要reconstruction 出input的图像，同时为了使得R更健壮,对R的input 加入了Gaussian noise. 2. 用 D(Discriminator) 要识别区分出是real data 还是经由R reconstruction的data. 这两部分的lo..
毕业设计：基于深度学习的异常网络流量检测系统 信息安全
2301_79555157的博客
03-03 1847
毕业设计：基于深度学习的异常网络流量检测系统旨在实现高效准确的异常流量检测和识别。通过结合深度学习和计算机视觉技术，该系统能够从大规模的网络流量数据中学习网络行为模式，并通过对比分析实时网络流量与学习模型的差异来判断是否存在异常流量。这为计算机毕业设计提供了一个创新的方向，结合了深度学习和计算机视觉技术，为毕业生提供了一个有意义的研究课题。无论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能的领域的同学，能为您提供灵感和指导。
异常检测---离群点
qq_25368751的博客
10-08 1263
异常数据离群点检测，算法实战。
【阅读论文】USAD：多变量时间序列上的无监督异常检测
zijin-jdd的博客
04-06 3088
IT系统的自动监控是Orange目前面临的挑战。考虑到其IT运营所达到的规模和复杂性，随着时间的推移，用于推断正常和异常行为的测量所需的传感器数量急剧增加，使得传统的基于专家的监督方法变得缓慢或容易出错。在本文中，我们提出了一种快速而稳定的方法，称为基于反向训练的自动编码器的多变量时间序列的无监督异常检测（USAD）。其自动编码器架构使其能够以无监督的方式进行学习。对抗性训练及其架构的使用使其能够隔离异常，同时提供快速训练。
Adversarially Learned One-Class Classifier for Novelty Detection（用于单类异常检测的对抗学习分类器）
与贰的博客
09-01 6033
好像好久没写博客了，嘿嘿，中间回去放了个高温假，这个人呐，一旦闲下来就不想起来。最近又回归正常了，看了些东西，乱七八糟的码上来，话不多讲，以后尽量每周二更吧，其他时间，我想多把看的文章实践实践，感觉自己编程能力还是太弱了以及把以前看过的文章再回头复习复习，好久不看的东西，自己写过博客也是会生疏的。 写在前面的话 这篇文章是讲one-class分类问题的，他与传统的二分类很相似，但是却有着本质的...
半监督异常检测（Anomaly Detection）的研究线
qq_45496282的博客
10-17 4801
半监督异常检测（Anomaly Detection）的研究线 在假设数据集中大多数实例都是正常的前提下，半监督异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型，然后检测由学习模型生成的测试实例的可能性。 1，《Future Frame Prediction for Anomaly Detection – A New Baseline》 CVPR 2018 ...
读论文-----Adversarially Learned One-Class Classifier for Novelty Detection
sharonITlion的博客
04-15 2960
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-Cla...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值