这篇论文提出了一种新颖的方法，通过几何变换将单类正常数据转换为多类，使用标准交叉熵损失训练分类器进行异常检测。主要分为三个步骤：创建自标记数据集、学习自标记数据集和正常性得分计算。通过组合旋转、平移、翻转等多种变换，将一类数据转化为72类。训练时使用自建数据集，测试时对样本进行相同变换，计算正确类别的softmax值平均，以提高检测准确性。
本篇是近期在classification-based 在anomaly detection 上有重大突破，想法也很简单，即data augmentation 运用。
是通过geometric transformation 将one-class 的normal data转成 multi-class,用标准的cross entropy 训练分类器，进行分类取得的结果就很惊艳。
整体可分成三部分：
1.Creating the Self-Labeled Dataset
2.Learning the Self-Labeled Dataset
3.Normality Score
对于Creating the Self-Labeled Dataset 部分，以rotation为例子，即向右旋转0，90，180，270
论文中采用rotation 4种 * translation （向上移动，向下，不移动）3种* (向左移动，向右移动，不移动)*3种*flip 是否翻转 2 种= 72，即将一类 transform 成多类。
Learning the Self-Labeled Dataset 这部分就是用自建的数据集去训练分类器，loss用标
最低0.47元/天 解锁文章
扫一扫
1234
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
