Mean-Shifted Contrastive Loss for Anomaly Detection 用于异常检测的均值偏移对比损失 抽象深度异常检测方法学习正常样本和异常样本之间分离的表示。当强大的外部训练的特征提取器(例如,在ImageNet上预训练的深度残差网络)在由正常样本和无异常组成的训练数据上进行微调时，得到非常有效的表示。然而，这是一项困难的任务，可能会遭受灾难性的崩溃，即容易学习琐碎和非特异性的特征。在本文中，我们提出了一个新的损失函数，它可以同时克服中心损失和对比损失方法的失效模式。此外，我们将其与对预测置信度敏感的置信度不变的角度中心损失相结合，从而取代了之前工作中使用的欧氏距离。
Generalized Likelihood Ratio Test With One-Class Classifiers（单类分类器的广义似然比检验） 单类分类( OCC )是判断观测样本是否属于目标类的问题。我们考虑当学习阶段可用的数据集仅包含来自目标类的样本时，学习OCC模型的问题。我们的目标是在目标类的统计信息可用的情况下，获得一个表现为广义似然比检验( GLRT )的分类器，这是一个众所周知的、可证明是最优的(在特定假设下)分类器。为此，我们同时考虑多层感知器神经网络( NN )和支持向量机( SVM )模型。它们作为二类分类器使用人工数据集为备选类训练，通过生成随机样本在目标类数据集的域上均匀地获得。
记录gcc编译c语言，与python交互 环境 windows10 64位 + pycharm + python64位+ gcc 64位1.在 官网MinGW-w64 - for 32 and 64 bit Windows - Browse /mingw-w64/mingw-w64-release at SourceForge.net下载x86_64-7.3.0-release-posix-sjlj-rt_v5-rev0 版本解压，添加环境变量(gcc应用程序所在位置) 如：D\mingw\bin2.编译C语言指令在所.
关注
