2. 異常検知とは︖
n 1: ある画像のよごれや傷などの異常を検知する (⼀般的な異常検知)
n 今回紹介する論⽂はこちらです
n 2: 訓練分布のカテゴリ以外のカテゴリを検知する (Out-of-distribution 検知)
n 似た問題設定
n Open set recognition: In-distributionの分類 + OOD検知
n Generalized zero-shot learning: In-distributionの分類 + OODの分類
1 2
3. 今回紹介する論⽂の概要
n タイトル: Iterative energy-based projection on a normal data manifold for anomaly localization
n 学会: ICLR 2020 (under review)
n 点数: 8,6,3
n ⼀⾔で⾔うと:
n 正常データのみを使ってAE(オートエンコーダ)ベースのモデルの学習を⾏ったあと,推論時に損失
関数の勾配を利⽤することで,異常データがAEによって得られた正常データの多様体の最も近いと
ころにマッピングされるように再構成し,その差をとることで異常箇所の特定を⾏う
提案⼿法(d)は
異常箇所だけを
きれいに消している
6. 関連⼿法: VAEの下限を使った異常検知
n ある閾値Tを決めて,VAEの下限を上回れば異常とする⽅法
n しかし,[Matsubara+ 2018]によれば,KL項は良くない影響を及ぼすため,再構成項だけを
利⽤することを考えている
n まあ結局,VAEの再構成もぼやけるため,単純にVAEを使うのも微妙
n もちろん再構成がぼやけないUnetのようなオートエンコーダを使っても,多様体学習しないから
ダメ(傷も復元されてしまう)
7. 関連⼿法: GANを使った異常検知
n それでは,鮮明な画像を出⼒するためにGANを使えばよいのでは︖
→ AnoGAN [Schlegl+ 2017]
n 正常画像で学習しているため,異常画像は⽣成できないという考えに基づく
n しかし,GANは画像から潜在変数zを求めることはできない
n そのため,異常画像から以下の式を使うことにより,異常画像と最も近い正常画像を出⼒するよ
うなzを推定する(これがそのまま異常スコアとなる)
n 𝑓"は識別器の中間層の出⼒
n 今回の提案⼿法は,オートエンコーダベースのモデルを使い,zの空間で近い正常画像を
探すのではなく,xの空間で探す
どのzがgeneratorに
近い元画像を出⼒させるか
どのzがdiscriminatorに
近い元画像に対する判定を⾏わせるか