CVPR 2018：对抗训练的异常分类器

Adversarially Learned One-Class Classifier for Novelty Detection

code paper

1. Novelty Detection

Novelty Detection 字面翻译是新颖性检测。本质上就是发现输入的新的对象/模式，其实就是Anomaly Detection，不同名字而已。发现一些与目标类某些方面存在差异的现象。异常类型总是缺失的或者是不能被列举的，所以要区分开正常和异常，通过直接训练端到端异常分类器是不可能完成的任务。

2. 本文主要idea

既然没有办法去找到异常的样本，那么通过更好的描绘正常样本的边界（或者准确来说是正常的边界），异常应该能更好的被发现。那么怎样去描绘这个正常样本的边界呢？

首先在实际的场景中，输入的图片是可能会有各种噪音的(光照、摄像头等等因素)，所以一个健壮的分类器应该能够在噪音图片中获取到信息，当然绝大多数的训练数据都是高质量的，那么可以通过自己加噪音来增强数据，同时这也增强分类器对于正常样本的边界的描绘能力。

单纯加噪音只是数据增强的technique。除此之外，本文用了在VAD常用的方法，通过Conv-Autoencoder来重构图像。正常样本应该能够在训练中，Encoder知道如何抽取合适的特征以让Decoder重构。非训练类，Encoder抽取的特征会较差，Decoder重构就会更差，误差逐层放大，那么非训练类经过这个AutoEncoder得到的结果就会和原图片差异较大。通过重构的差其实就可以作为一个指标来判断是否是异常类，不过这可能有点弱。

本文却在最后加上了一个Discriminator，意在通过类似GAN的对抗训练方式，一方面增强图片重构能力，另一方面增强分类的能力。将AutoEncoder训练成一个健壮的DeNoise-AutoEncoder，让denoise效果能够和原图片相近，让分类器分不出这图片是原图片还是经过加noise然后再去noise的图片。

这种操作能够产生针对目标类的特征提取与还原，并且在训练集上确保了这种操作不会被分类器所发现，也就是这种方法不会对后续判断造成误差。期望的是，测试集类似训练集，重构的误差较小，那么对于分类器的判断不会带来太大的误导信息。

但是对于非目标类的内容，会带来更大的误差，毕竟经过针对目标类的特征和还原的AutoEncoder，应该是会带来更多的噪音信息，这样就能给分类器一个更强的指示，就更能区分开这两者。

3. 具体模型

模型主要包括有重构模块和生成模块。

3.1 重构模块结构

由于重构模块是训练来重构目标类的样本的，你那么对于异常样本来说，应该重构损失是高的。

首先需要强调的是，这里输入的图片是经过噪声处理的图片，输入的噪声是基于正态分布1543490309523产生的。当然图片在加噪声前先得做个归一化。

本文没有采用U-Net来重构图片，也没有采用Pooling来下采样（为了提高网络的稳定性），只是一直在做卷积，以5x5的卷积核在做Encoder和decoder。Encoder中采用了lrelu的激活函数