[异常检测]Explainable Deep One-Class Classfication论文阅读总结

Motivation

“This transformation is highly non-linear, finding interpretations poses a significant challenge.”

之前例如Deep-SVDD(DSVDD)等比较经典的无监督异常检测算法，很难解释一张图片为什么是异常的，因此这篇文章考虑将之前的DSVDD模型最终比较的向量调整为二维矩（explanation heatmap），在CIFAR-10 ImageNet上面有提升，且在MVTec-AD数据集上可以做到解释异常位置。

Contribution

• 在传统无监督one-class任务中的效果接近sota(cifar10 imagenet)
• 在含有ground-truth的数据集中制定了新的sota
• 解释了DSVDD的Clever Hans效应。

Model

最传统的全连接卷积网络，图片被映射到$1\ast u\ast v$​的feature map。论文提到卷积层的一个重要性质就是feature map的一个piexel只有关于输入的一个固定的感受野，这样feature map的异常分数就可以映射回原图片的位置。（保留 spatial information)

经过Fully Convolutional Data Description 得到一个feature map，同样也是一个 heatmap，再经过上采样获得原尺寸异常区域解释图。

Loss

其实