文献阅读：《Generative Adversarial Active Learning for Unsupervised Outlier Detection》-2020 trans

最新推荐文章于 2022-10-20 08:25:06 发布
原创 最新推荐文章于 2022-10-20 08:25:06 发布 · 598 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章介绍了一种使用GAN网络生成伪异常样本的方法，通过这种方式将异常检测问题转换为二分类任务。具体而言，作者提出了一个多生成器-单判别器的GAN网络结构，并通过将正常样本划分成多个子集来训练不同的生成器，以此避免模式崩溃并提高异常样本生成的质量。

文章工作：用GAN网络生成伪异常样本，结合已有正常样本，把异常检测转化为一个二分类任务

贡献1： 本文提出用GAN作为异常样本的生成器，使生成的异常是有意义的异常。（针对问题：为了应对高维空间中异常样本的稀疏性）

贡献2：把单生成器-单判别器的GAN网络，扩展成多生成器-单判别器的GAN网络，每个生成器在一个正常样本的子集上进行训练。（针对问题：单个GAN网络作为伪异常生成器容易过拟合：生成的伪异常侵入了正常样本的内部--模式崩溃）

（贡献3）：正常样本被划分为不同子集的方式：相似的样本应该有相似的特征，从而特征相近的样本应该是相似的。根据判别器D的输出特征，在样本空间对样本进行聚类，从而把训练集划分成不同的子集。

解释：这里说的“有意义的异常”是与空间中的随机采样得到的异常样本相比较。在样本空间中随机采样得到的异常样本，可能距离正常样本非常远，这些异常被称为是无意义的，因为它们无助于使模型学到更紧凑的正常样本分类边界。有意义的异常是指：分布在正常样本的外部，但是又距离正常样本非常近，有助于二分类器学习到正常样本紧凑边界的异常。

wzg2016
关注
Generative Adversarial Active Learning for Unsupervised Outlier Detection
Avrilzyx的博客
11-25 3024
1.INTRODUCTION 1.1 Outlier Detection应用领域 异常轨迹 运动目标检测 欺诈检测 新兴主题检测 医疗信息检测 1.2存在的问题 需要足够多的正常、异常的标签（非常昂贵） 通过假设整个数据集只包含正常实例，离群点检测通常被认为是一类分类问题。最直接的方法是为所有样本创建一个模型，然后根据与建立的正常配置文件的偏差计算离群值。 具体方法有基于统计的模型、基于回归的...
【Active Learning - 04】Generative Adversarial Active Learning
Houchaoqun_XMU的博客
04-28 2572
【2017.11.15】Generative Adversarial Active Learning 相关文档： 【2017】Generative Adversarial Active Learning.pdf【2017】Generative Adversarial Active Learning_PPT.pdf 学习笔记：GAN + Active learning 主要步骤： GANs ...
【阅读】Generative Adversarial Active Learning
w.here的优快云
01-03 1158
以下文章写得不错，可以借鉴学习，侵删。 对抗生成式主动学习 Generative Adversarial Active Learning_pkueecscss的博客-优快云博客_对抗主动学习Generative Adversarial Active LearningPaper Reading NoteURL: https://arxiv.org/pdf/1702.07956v5.pdfTL;DR第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性,,利用已标注数据,用
SO-GAAL:Generative Adversarial Active Learning for Unsupervised Outlier Detection
Arela651的博客
03-25 1219
SO-GAAL、异常检测
对抗生成式主动学习 Generative Adversarial Active Learning
pkueecscss的博客
08-24 2825
Generative Adversarial Active Learning Paper Reading Note URL: https://arxiv.org/pdf/1702.07956v5.pdf TL;DR 第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性, ,利用已标注数据,用GAN生成uncertainty值高的"假"样本加速模型训练,在许多情况...
【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
Joselynzhao
10-19 1480
方法概述 1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。 2， 在生成模块中，我们引入了3D网格生成器。 3， 在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Joint Generative and Contrastiv.
【研一小白论文精读】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
weixin_46235765的博客
04-22 4132
Abstract 就是将GAN和对比学习模块结合起来，对比学习不是需要数据增强吗，就用GAN的视图生成器来做这个增强，还提出了一种对比学习的损失函数，实验也证明取得了SOTA。 Introduction ReID的目标是从不同视图中识别物体，也即是根据可视化相似度从gallery中识别query，gallery和query其实就是对比学习中的两个试图，也是一大一小数据集和样本这样的一个关系。直白一点就是左边是传统对比学习的方法，只不过右边用GAN来代替数据增强的这种方法。。 这个生成器不是普通的生成器，作者
论文阅读：FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing
space_walk的博客
09-29 2749
目录
【论文阅读】UI-GAN: Generative Adversarial Network-BasedAnomaly Detection
weixin_45141860的博客
10-20 705
本文提出了一种用于可穿戴设备的自动跌倒检测方法，该方法可以在检测到跌倒时及时提醒护理人员，从而减少老年人的伤害。为此，我们提出了一种使用心率传感器和加速度计的新颖的基于生成对抗网络 (GAN-) 的跌倒检测方法。与正常行为数据相比，获取跌倒数据可能是一个艰巨的过程。取而代之的是，我们引入了一种引人注目的基于GAN的异常检测，部分涉及用户初始信息特征 (ui-gan)。尽管先前已经提出了基于GAN的异常检测方法，但是每种模型都有其对每种异常检测应用的充分适用性。因此，本研究首先从最近提出的九个基于GAN的模型
深度学习笔记一：生成对抗网络（Generative Adversarial Nets）
眼观
11-22 1万+
文章链接：http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf 已经有段时间没看过Deep learning的东西了，最近要重新捡起来了。从生成对抗网络（GAN）开始。 这是Goodfellow的scholar主页，没看过的可以去膜拜一下。 与GAN相关的最新的推荐文章： Unsupervised and Semi
Generative Adversarial Active Learning生成性对抗性主动学习文献笔记
小鼠太郎的博客
09-08 742
文献1702.07956.pdf (arxiv.org) 生成性对抗性主动学习 介绍 这是第一个使用 GAN的主动学习工作，在它之后的GAN主动学习有不少，所以是首创性的工作，部分涉及分类的内容一笔带过。 背景1：主动学习 拿来了当初介绍主动学习的ppt，总得来说可以帮助我们用少量的标记获得不错的训练效果，其重点主要在于挑选送于专家人工标记样本的策略上。 这是一个基于池主动学习与本文方法的一个对比，其中池指的是unlabeled,，其方法就是从池里面挑选一部分样本交给专家标记...
对抗式主动学习三部曲(GAAL 、VAAL、TA-VAAL)---入内不亏
qq_36317312的博客
04-03 3583
Generative Adversarial Active Learning–生成性对抗性主动学习 第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性, Abstract 提出了一种新的基于产生式对抗网络(GAN)的主动查询合成学习方法。 与常规的主动学习不同，该算法自适应地合成训练实例进行查询，提高了学习速度。 在某些情况下，该算法的性能优于传统的基于池的方法。 Introduction GAN(生成性对抗网络) GAN的想法很简单：以假乱真 涉及两个“对手”：Gen
【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价
热门推荐
Houchaoqun_XMU的博客
07-08 2万+
主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.youkuaiyun.com/Houchaoqun_XMU/article/details/85245714 【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价：https://blog.youkuaiyun.com/Hou...
使用pytorch训练自己的数据集
qq_40356092的博客
09-09 7263
一、introduction 不得不说pytorch的功能十分强大，其中torchvision.datasets已经内置了常用的数据集，我们也可以使用datasets.ImageFolder来加载我们自己的数据集。如果你觉得这两个方法都不能很好的加载你想要的数据集，也可以通过继承dataset类来自定义自己的数据集加载方式。 本文主要介绍前两种加载数据集的方法，然后使用常见的卷积神经网络来训练并测试自己的数据集。 二、加载数据集 2.1 加载FashionMNIST数据集 def load_FashionM
【Active Learning - 13】总结与展望 & 参考文献的整理与分享（The End...）
Houchaoqun_XMU的博客
12-01 6218
写在前面： 本篇博文将作为“主动学习系列”博文的结尾。目前，本人在职的相关工作暂无与主动学习相关的需求。因此，之后大概率是不会再更新相关的博文了。能够分享的内容和资料，我都分享在这些博文了。希望能够对大家有帮助！ 主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.youkuaiyun.com/Ho...
Outlier Detection
weixin_34262482的博客
08-23 239
1）正态分布数据,飘出95%的可能是异常值.变量var正态标准化,|var|<=1.96的可能是异常值,further chk needed！large sample better. 对于偏态分布的数据（histogram chk),这个方法貌似不是很好.   2）Boxplot Method 稳健，无正态分布假设. 箱线图判断异常值的标准以四分位数和四分位距为基础. 四分位距...
【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）
Houchaoqun_XMU的博客
12-29 1万+
主动学习系列博文： 【Active Learning - 00】主动学习重要资源总结、分享（提供源码的论文、一些AL相关的研究者）：https://blog.youkuaiyun.com/Houchaoqun_XMU/article/details/85245714 【Active Learning - 01】深入学习“主动学习”：如何显著地减少标注代价：https://blog.youkuaiyun.com/Hou...
【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017
06-06
好的，我了解了你的要求。关于你提到的这篇论文，是一篇关于小目标检测的研究，作者提出了一种基于感知生成对抗网络（PGAN）的方法来解决小目标检测问题。该方法通过对图像进行重新调整和增强，从而提高目标检测的精度和鲁棒性。这篇论文发表在2017年的计算机视觉与模式识别会议（CVPR）上。如果你还有其他问题，可以随时问我。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值