GANomaly阅读和源码总结

作者介绍

张伟伟，男，西安工程大学电子信息学院，2019级硕士研究生，张宏伟人工智能课题组。
微信公众号：可随时查阅，搜索—张二牛的笔记，内容会分类上传。
研究方向：机器视觉与人工智能。
电子邮件：zhangweiweicpp@163.com

• 课题组CSDN官方账号，欢迎一键三连: https://blog.csdn.net/m0_37758063/article/details/113527955?spm=1001.2014.3001.5501.

GANomaly

关于GANomaly
Akcay S, Atapour-Abarghouei A, Breckon T P. GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training[J]. 2018.
paper：https://www.researchgate.net/publication/325215718_GANomaly_Semi-Supervised_Anomaly_Detection_via_Adversarial_Training
代码链接：https://github.com/samet-akcay/ganomaly.
帖子链接: https://blog.csdn.net/qq7835144/article/details/111029750?spm=1001.2014.3001.5501.
帖子复现的代码：https://github.com/qqsuhao/GANomaly-MvTec-grid.

skip-GANomaly复现总结

Akçay S, Atapour-Abarghouei A, Breckon T P. Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection[J]. arXiv preprint arXiv:1901.08954, 2019.
代码链接: https://github.com/qqsuhao/skip-GANomaly-MvTec-grid.
鉴别器网络不仅迫使生成器学习改进的分布模型，而且作为特征提取器工作，使其学习在较低维潜在空间内的正态分布的重建。

AnoGAN复现总结

链接: https://blog.csdn.net/qq7835144/article/details/110938996.
代码：

• 经验：判别其中加入Dropout2d（随机丢失）来缓解判别器的过拟合问题。直观一点，就是让判别器不要判别得太准。或者也可以考虑使用WGAN的训练方法。