One-Class Convolutional Neural Network -CoRR abs(2019)

最新推荐文章于 2024-11-02 20:57:17 发布
最新推荐文章于 2024-11-02 20:57:17 发布
阅读量2k 收藏 3
点赞数
CC 4.0 BY-SA版权
分类专栏： python machine learning 文章标签： 神经网络 深度学习
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。
本文链接：https://blog.youkuaiyun.com/weixin_42232024/article/details/111909367
本文提出基于卷积神经网络(CNN)的单类分类方法，用潜在空间零中心高斯噪声作伪负类，以交叉熵损失训练网络。任何预训练CNN都可作基础网络，在UMDAA - 02 Face等数据集评估，涉及用户认证等应用，实验显示该方法优于现有方法，代码可在github获取。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

我们提出了一种基于卷积神经网络(CNN)的单类分类方法。该思想是使用潜在空间中的零中心高斯噪声作为伪负类，并使用交叉熵损失训练网络，以学习一个好的表示和给定类的决策边界。该方法的一个重要特点是，任何预先训练好的CNN都可以作为单类分类的基础网络。本文提出的一类CNN是基于UMDAA-02 Face、abnormity -1001和FounderType200数据集进行评估的。这些数据集涉及到各种单一类的应用问题，如用户认证、异常检测和新颖性检测。大量的实验表明，该方法比目前最先进的方法有显著的改进。源代码可在github.com/otkupjnoz/oc-cnn获得。
在这里插入图片描述

VLU
关注
专栏目录
cvpr2015papers
ZhangPY的专栏
03-02 9361
@http://www-cs-faculty.stanford.edu/people/karpathy/cvpr2015papers/ CVPR 2015 papers (in nicer format than this) maintained by @karpathy NEW: This year I also embedded the (1,2-gram) tfidf
情感分析：基于卷积神经网络
吴建明wujianming_110117
07-02 951
情感分析：基于卷积神经网络 Sentiment Analysis: Using Convolutional Neural Networks 探讨了如何用二维卷积神经网络来处理二维图像数据。在以往的语言模型和文本分类任务中，把文本数据看作一个一维的时间序列，自然地，使用递归神经网络来处理这些数据。实际上，也可以将文本看作一维图像，这样就可以使用一维卷积神经网络来捕捉相邻单词之间的关联。如中所述… _fig_nlp-map-sa-cnn：本节描述了将卷积神经网络应用于情绪分析的突破性方法：textCNN[Kim
One-Class-NeuralNetwork:一类神经网络用于非线性异常检测的简化实现
05-23
一类神经网络 用于非线性异常检测的一类神经网络的简化Keras实现。 该实现基于此处描述的方法： : 。 我包括了ODDS（ ）的几个数据集。 设置 pipenv install . 应该配置一个python环境并在该环境中安装所有必需的依赖项。 跑步 在新的python环境中（通过CLI或IDE）运行python driver.py应该开始进行50个纪元的培训，并生成一些输出图。 测验 在test/test_basic.py中定义了两个单元测试：构建模型，以及基于本文示例的分位数损失测试： 执行pytest test以运行。 结果 HTTP数据集 失利 特征 局限性 使演示脚本更加灵活 添加更多的单元测试
One-Class Convolutional Neural Network
chumingqian的博客
08-04 4111
提出了一种基于卷积神经网络(CNN)的单类分类方法。其思想是使用潜在空间中的零中心高斯噪声作为伪负类，并使用交叉点损失来训练网络，以学习给定类的良好表示和决策边界。该方法的一个重要特点是，任何预先训练好的CNN都可以作为一个类分类的基本网络。本文提出的One Class CNN(OC-CNN)在UMDAA-02 Face，Abariity1001，FounderType-200数据集上进行了评估。这些数据集涉及各种单类应用问题，如用户身份验证、异常检测和新颖性检测。...
One-class Classification with Deep Autoencoder Neural Networks for Author Verification in Internet R
weixin_42232024的博客
01-19 332
One-class Classification with Deep Autoencoder Neural Networks for Author Verification in Internet Relay Chat-AICCSA 2019 在本文中，我们设计了一个自主的IRC监控系统，执行递归深度学习来分类消息的威胁级别，并开发了一种基于深度自编码神经网络的单类分类作者验证方法。实验结果表明，该方法能够成功地对IRC用户进行有效的作者验证。 方法：给一组明确的候选人分组，其他类型进行判别直接归为嫌疑人(
[文献阅读]Multi-Scale One-Class Recurrent Neural Networks for Discrete Event Sequence Anomaly Detection
RegulusF的博客
08-21 638
1.Introduction 离散事件序列异常检测 每个日志由消息类型和变量组成，当日志键根据记录时间按照顺序排列的时候，它们形成一个离散时间序列。 比如说这个例子，如果正常状态下k2总在k1之后，那么k2接在k5之后就可能是系统的一个异常状态。 存在的两个问题: 1.异常检测问题中的数据不平衡问题。系统大部分时间处于正常状态，异常状态比较罕见，这使得二元分类模型在异常检测上变得没有效果。 2.事件的离散性，离散事件序列由离散的符号组成，很难捕捉事件随时间的关系。 于是作者提出一种用于事件序列异常检测的多
图像分类：使用神经网络对单个对象图像进行分类
02-18
影像分类
Deep learning_CNN_Review：A Survey of the Recent Architectures of Deep Convolutional Neural Networks—...
Alliswell_WP
11-08 2617
CNN综述文章的翻译 [2019 CVPR] A Survey of the Recent Architectures of Deep Convolutional Neural Networks 翻译 综述深度卷积神经网络架构：从基本组件到结构创新 目录 摘要 1、引言 2、CNN基本组件 2.1 卷积层 2.2 池化层 2...
深度学习周报(10.28-11.3)
qq_60040306的博客
11-02 1317
本周学习了李宏毅深度学习关于卷积神经网络的课程。了解了什么是卷积神经网络，以及卷积神经网络相关概念的学习，包括卷积核、感受野、步长和填充参数共享、卷积层、池化等概念。还通过对LeNet-5网络的简单分析加深了对卷积神经网络整体流程的理解。最后基于PyTorch框架使用卷积神经网络简单实现了识别手写数字0-9，进一步加深了对卷积神经网络的理解。卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。
5.1 二维卷积层 卷积神经网络（convolutional neural network）是含有卷积层（convolutional layer）的神经网络。本章中介绍的卷积神经网络均使用最常见的二维卷积层。它有高和宽两个空间维度，常用来处理图像数据。本节中，我们将介绍简单形式的二维卷积层的工作原理。 5.1.1 二维互相关算算 虽然卷积层得名于卷积（convolution）运算，但我们通常在卷积层中使用更加直观的互相关（cross-correlation）运算。在二维卷积层中，一个二维输入数组和一个二维核（kernel）数组通过互相关运算输出一个二维数组。 我们用一个具体例子来解释二维互相关运算的含义。如图5.1所示，输入是一个高和宽均为3的二维数组。我们将该数组的形状记为3×3 或（3，3）。核数组的高和宽分别为2。该数组在卷积计算中又称卷积核或过滤器（filter）。卷积核窗口（又称卷积窗口）的形状取决于卷积核的高和宽，即2×2 。图5.1中的阴影部分为第一个输出元素及其计算所使用的输入和核数组元素：0×0+1×1+3×2+4×3=19 。 图5.1 二维互相关运算 在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。图5.1中的输出数组高和宽分别为2，其中的4个元素由二维互相关运算得出： 0×0+1×1+3×2+4×3=19,1×0+2×1+4×2+5×3=25,3×0+4×1+6×2+7×3=37,4×0+5×1+7×2+8×3=43. 下面我们将上述过程实现在corr2d函数里。它接受输入数组X与核数组K，并输出数组Y。 import torch from torch import nn ​ print(torch.__version__) 1.5.0 def corr2d(X, K): # 本函数已保存在d2lzh_pytorch包中方便以后使用 h, w = K.shape X, K = X.float(), K.float() Y = torch.zeros((X.shape[0] - h + 1, X.shape[1] - w + 1)) for i in range(Y.shape[0]): for j in range(Y.shape[1]): Y[i, j] = (X[i: i + h, j: j + w] * K).sum() return Y 我们可以构造图5.1中的输入数组X、核数组K来验证二维互相关运算的输出。 X = torch.tensor([[0, 1, 2], [3, 4, 5], [6, 7, 8]]) K = torch.tensor([[0, 1], [2, 3]]) corr2d(X, K) tensor([[19., 25.], [37., 43.]]) 5.1.2 二维卷积层 二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏差来得到输出。卷积层的模型参数包括了卷积核和标量偏差。在训练模型的时候，通常我们先对卷积核随机初始化，然后不断迭代卷积核和偏差。 下面基于corr2d函数来实现一个自定义的二维卷积层。在构造函数__init__里我们声明weight和bias这两个模型参数。前向计算函数forward则是直接调用corr2d函数再加上偏差。 class Conv2D(nn.Module): def __init__(self, kernel_size): super(Conv2D, self).__init__() self.weight = nn.Parameter(torch.randn(kernel_size)) self.bias = nn.Parameter(torch.randn(1)) ​ def forward(self, x): return corr2d(x, self.weight) + self.bias 卷积窗口形状为𝑝×𝑞 的卷积层称为𝑝×𝑞 卷积层。同样，𝑝×𝑞 卷积或𝑝×𝑞 卷积核说明卷积核的高和宽分别为𝑝 和𝑞 。 5.1.3 图像中物体边缘检测 下面我们来看一个卷积层的简单应用：检测图像中物体的边缘，即找到像素变化的位置。首先我们构造一张6×8 的图像（即高和宽分别为6像素和8像素的图像）。它中间4列为黑（0），其余为白（1）。 X = torch.ones(6
最新发布
04-02
好的，我现在要帮助用户理解二维卷积层的工作原理及其在深度学习中的应用，还有如何实现它。首先，我需要回忆一下二维卷积的基本概念和相关运算。用户提到了互相关运算，这可能和卷积操作有关，但有时候在深度学习里...
单标签多分类神经网络
qq_43173865的博客
11-16 669
单标签多分类神经网络 # 路透社数据集， 单标签多分类的神经网络 import numpy as np from keras.datasets import reuters from keras import models from keras import layers from keras.utils.np_utils import to_categorical import matplotlib.pyplot as plt # 导入训练集，训练标签，测试集，测试标签 (train_data, tra
神经网络的分类
summer_fish的专栏
11-27 1996
前馈神经⽹络（feedforward neural network）是⼀种简单的神经⽹络，也被称为多层感知机（multi-layer perceptron，简称MLP），其中不同的神经元属于不同的层，由输⼊层 - 隐藏层 - 输出层构成，信号从输⼊层往输出层单向传递，中间⽆反馈，其⽬的是为了拟合某个函数，由⼀个有向⽆环图表⽰，如下：前馈神经⽹络中包含激活函数（sigmoid函数、tanh函数等）、损失函数（均⽅差损失函数、交叉熵损失函数等）、优化算法（BP算法）等。等。
6- 构建一个简单的分类网络
scar2016的博客
03-09 1022
文章目录1. 说明2. GPU设置3. 自定义神经网络4. nn.Flatten5. nn.Linear6. nn.Sequential7. nn.ReLU小结 1. 说明 神经网络由对数据进行操作的层/模块组成。pytorch.nn的namespace命名空间提供了构建自己的神经网络所需的所有构建块。PyTorch中的每个模块都是nn.Module的子类。神经网络本身就是由其他模块(层)组成的模块。这种嵌套结构允许轻松地构建和管理复杂的体系结构 2. GPU设置 如果我们想将神经网络和参数放到GPU上进行
one class classfication
麦地与诗人
02-12 933
什么是one class? 分类问题，例如二分类和多分类，由于多分类问题都可以解体成多个二分类问题，所以，一般来说，二分类问题被看做是基本的分类问题，在这里就拿二分类问题为例。 在一个二分类问题中，数据被分成两个类， 被分别标记成+1和-1，或者称为正类和负类。 在二分类里，理想情况下，需要要求训练集中的每个类别的元素的数量巨大且几乎相等，但是在现实世界中，会出现正负类样本失衡的情况，所幸，众多策...
one class classification
热门推荐
陶将的博客
03-02 1万+
在科研生涯中，导师要求做一个区分器，奈何只能得到一个类别的数据集，百思不得其解，多方查找，了解one class classification，随在此对此类问题进行详细介绍。 分类问题，例如二分类和多分类，由于多分类问题都可以解体成多个二分类问题，所以，一般来说，二分类问题被看做是基本的分类问题，在这里就拿二分类问题为例。在一个二分类问题中，元素被分成两个类， 和 ，被分别标记成+1和-1，或者...
浅析深度学习（三）--分类的卷积神经网络
qianzhipeng123的博客
01-16 560
我们的目标就是如何卷积核变得像我们想要的，最后得到一个有意义的特征图卷积神经网络工作总流程第一个问题：特征图如何卷？假设：特征图3*224*224. 卷积核3*3*3， padding=1，卷积核数量64卷出来的特征图多大？横向来看：1.2.3.4.........221.222，则会变成222*222通过padding扩充：1.2.3.4.......222.223.224，则会变成224*224而卷积核数量决定了特征图维度为64，则最终为64*224*224第二个问题：特征图怎么变小？
One-Class Classification入门
a819411321的博客
07-26 8437
公司最近做异常检测，用One-Class做，感觉很棒，有python代码有c++部署代码。所需要做得就是如何提高训练效果。 先鸽一会，下周写，坑站着。 One Class是一种使用gan的缺陷检测方案，该方案仅依靠正样本和少量的负样本即可实现缺陷检测。 训练集合的样本是生产出来的物品，标签是标准的物品。 样本 标签 样本经过CNN（解码网络）得到Feature map 然后再经...
1.CNN图片单标签分类（基于TensorFlow实现基础VGG16网络）
weixin_34112181的博客
12-05 1048
本文所使用的开源数据集（kaggle猫狗大战）： www.kaggle.com/c/dogs-vs-c… 国内百度网盘下载地址： pan.baidu.com/s/12ab32UNY… 利用本文代码训练并生成的模型（对应项目中的model文件夹）： pan.baidu.com/s/1tBkVQKoH… 简单介绍： （需要预先安装pip install opencv-python, pip insta...
ECCV|2018 几何约束联合车道分割和车道边界检测
ZJE
09-13 6525
-------------------------------- 原文链接：https://pan.baidu.com/s/1wxu3BT_1ONsHkO_Gzx1VYw -------------------------------- 简介： --------------------------------下面为全文翻译： Geometric Constrained Joint L...
Multi-column Convolutional Neural Network
04-27
Multi-column Convolutional Neural Network (MC-CNN) 是一种卷积神经网络，它在输入图像的不同位置和尺度下使用多个卷积核来提取特征。MC-CNN 是一种非常常见的图像分类和目标检测算法，并且在计算机视觉领域中被广泛应用。相比于传统的单一卷积核结构，MC-CNN 能够更好地捕捉图像中的细节信息和空间关系，从而提高模型的分类和检测性能。
评论 2
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