CVPR-2018

Novelty detection 是識別在某些方面與訓練觀察（目標類別）不同的觀察的過程。實際上，Novelty class 在訓練期間通常不存在，取樣不良或定義不明確。因此，一類分類器可以有效地模擬這些問題。然而，由於來自 Novelty class 的資料不可用，訓練端到端深度網路是一項繁瑣的任務。在本文中，受到生成對抗網路在無監督和半監督環境中訓練深度模型的成功的啟發，我們提出了一種用於一類分類的端到端架構。我們的架構由兩個深層網路組成，每個網路都通過相互競爭進行培訓，同時協作了解目標類中的基本概念，然後對測試樣本進行分類。一個網路用作新穎檢測器，而另一個網路通過增強內部樣本和扭曲異常值來支援它。直覺是增強的內點和失真的異常值的可分離性比決定原始樣本要好得多。擬議框架適用於影象和視訊中異常和異常值檢測的不同相關應用。 MNIST和Caltech-256影象資料集的結果，以及用於視訊異常檢測的具有挑戰性的UCSD Ped2資料集表明，我們提出的方法有效地學習目標類，並且優於基線和最先進的方法。

Introduction

受生成對抗網路（GAN）的啟發[14]，我們提出了一類分類的端到端模型，並將其應用於不同的應用，包括異常檢測，影象中的新穎檢測和視訊中的異常事件檢測。與GAN類似，所提出的架構包括兩個模組，這兩個模組競爭學習，同時彼此協作以進行檢測任務。第一個模組（表示為R）細化輸入並逐漸將判別性材料注入到學習過程中，以使檢測器，第二個模組（稱為D）的正片和新片樣品（即內點和異常值）更加可分離。

這兩個網路是對抗性的，無人監督地使用訓練資料學習，訓練資料僅由目標類組成。具體地說，R學會重建正樣本並試圖欺騙檢測器（即D）。然而，D學會區分原始（正）樣本和重建樣本。通過這種方式，D僅學習以所有正樣本的空間為特徵的概念

總之，本文的主要貢獻如下：（1）我們提出了一種用於學習一類分類器學習的端到端深度網路。據我們所知，本文是為一類分類引入端到端網路的第一個。 （2）幾乎所有基於文獻[31]中的GAN的方法在訓練後都丟棄了生成器或鑑別器（分別類似於我們架構中的R和D）。只使用了一個訓練有素的模型，而我們的設定更有效，並且受益於兩個訓練有素的模組，以便在測試階段進行協作。 （3）我們的架構在完全沒有來自新穎類的任何訓練樣本的情況下學習模型，並在不同的應用中實現最先進的效能，例如影象中的異常值檢測和視訊中的異常事件檢測。