OCGAN: One-class Novelty Detection Using GANs with Constrained Latent Representations 论文阅读笔记

出自：CVPR2019

作者：PramudithaPerera

文中提出了一个新的结构，由四部分组成，分别是去噪自动编码器、潜在鉴别器、图像鉴别器、分类器

1. 去噪自动编码器：相对于普通的自动编码器，在输入图像中加入了噪声，网络重构输入图像的去噪版本，这个方法减少了过拟合提高了泛化能力。还在编码器的输出层引入了双曲正切激活，使用军方误差损失训练自动编码器

1. 潜在鉴别器：为了获得一个潜在空间，作者显示的强制类内示例的潜在表示在潜在空间中均匀分布，

方法是构建一个潜在判别器Dl 训练区分给定类的真实的潜在表征和从U（-1，1）d 分布中提取的样本。损失函数为

1. 图像判别器：潜在空间中的所有样本通过decoder（或者叫generator）生成的图像应该来自于给定类的图像的空间。为了满足这个约束，构建第二个判别器，来判别给定类的图像和从隐空间随机采样通过decoder之后生成的图像。

1. 分类器：判别生成的图像和给定类的图像的相似度。使用给定类图像作为正样本，生成图像作为负样本。损失函数为二类交叉熵（BCE）。

最终结构是：

整体训练过程：