Recommandé
Contenu connexe
En vedette
En vedette (20)
最新研究紹介資料（異常検知）
- 2. ◼ Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery Schlegl, Thomas, et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." International Conference on Information Processing in Medical Imaging. Springer, Cham, 2017. https://arxiv.org/abs/1703.05921 ◼ Visual Feature Attribution using Wasserstein GANs Baumgartner, Christian F., et al. "Visual feature attribution using Wasserstein GANs." Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 2017. https://arxiv.org/abs/1711.08998 (CVPR2018) ◼ EFFICIENT GAN-BASED ANOMALY DETECTION Zenati, Houssam, et al. "Efficient GAN-based anomaly detection." arXiv preprint arXiv:1802.06222 (2018). https://arxiv.org/abs/1802.06222 (ICLR2018 Workshop) ◼ DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION Zong, Bo, et al. "Deep autoencoding gaussian mixture model for unsupervised anomaly detection." (2018). https://openreview.net/forum?id=BJJLHbb0- (ICLR2018) ◼ AND: Autoregressive Novelty Detectors Abati, Davide, et al. "AND: Autoregressive Novelty Detectors." arXiv preprint arXiv:1807.01653 (2018). https://arxiv.org/abs/1807.01653 (2weeks ago) 2 目次
- 3. ◼ 医用画像において異常箇所をマーキングする ◼ 正常状態なGANを学習して， テスト時にBPによってデータからz を求める ◼ 異常度算出にもBPを必要とするため，時間がかかる 3 Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery 1 ( ) ( )RL z x G z= − 正常データを 生成するGANの学習 LossがMinimizeするように z を更新 最適なz* から 異常度の算出 ( ) ( ) (1 ) ( )D RL z L z L z = + − Loss & 異常スコア ReconstructionFeature Matching 1 ( ) ( ) ( ( ))DL z f x f G z= −
- 4. ◼ 異常状態を正常状態に変換するマップを学習するGAN ◼ マップ自体が異常箇所であると見なせる CAMなどとは違い，高周波情報を表現できる ◼ 正常と異常が大量に必要 4 Visual Feature Attribution using Wasserstein GANs
- 5. ◼ BiGANを使った異常検知モデル GAN with Encoder の構造にしたかったGAN Encoderがあると，データを潜在変数に写像できる Discriminatorは，潜在変数とデータの true/fake pairを判定 ◼ 異常スコアの算出はAnoGANに酷似 5 EFFICIENT GAN-BASED ANOMALY DETECTION true pair fake pair 異常スコア 1 ( ) ( ( ))GL x x G E x= − ( ) ( ) (1 ) ( )G Da x L x L x = + − Reconstruction Discrimination ( )( ) ( , ( )),1DL x BCE D x E x= ( )( ) ( )( ) ( )( )1 , ,( )D f x EL x f G E x xx E−= or Feature Matching
- 6. ◼ AutoEncoderとGMMを組み合わせたモデル Compression Network：AutoEncoder Estimation Network：GMMのどのクラスタに属するか p(z=c|x) （負担率）を決定する GMM：スコア算出 (元々，異常検知でよく使われる) ◼ 負担率はNNによって算出されるので，EMアルゴリズムを必要とせず，BPのみで最適化できる ◼ 潜在特徴と入出力の差をGMMの特徴とする NNは非線形演算なので，未知サンプルのz が異常な値になるとは限らない ただ，そのときのAEの入出力は距離が大きくなるはず 6 DEEP AUTOENCODING GAUSSIAN MIXTURE MODEL FOR UNSUPERVISED ANOMALY DETECTION
- 7. ◼ AutoEncoder+自己回帰を使ったモデル ◼ ImageとVideoの両方について論文内で実験あり 7 AND: Autoregressive Novelty Detectors 自己回帰モデルのイメージ
- 8. ◼ EncoderによりD次元のベクトルz を獲得 z の各次元は0-1 ◼ Masked Fully Connectionを使って， “representation space density in z with autoregression”を算出 8 AND: Autoregressive Novelty Detectors Masked Fully Connection D 1 C B MFC MFC 0.0 - 0.2 0.2 - 0.4 0.4 - 0.6 0.6 - 0.8 0.8 – 1.0 2 ( ) 1 1 ( ) log( ( ) ) D B p x j k j k j k L x x z p z = = = − + ( )(0.3) 0,1,0,0,0 T = e.g. B=5のとき，D1 = 0.3特徴空間z における負の対数確率を推定している → 異常度に等しい