最新事例紹介資料（2018.08.24） Introduction of research on anomaly detection 異常検知に関する研究紹介

1. 最新事例紹介資料
2018/08/24
岐阜大学 加藤研究室 中塚俊介

2. ◼ Domain Generalization with Adversarial Feature Learning
Haoliang Li, Sinno Jialin Pan, Shiqi Wang, Alex C. Kot
http://openaccess.thecvf.com/content_cvpr_2018/html/Li_Domain_Generalization_With_CVPR_2018_paper.html (CVPR2018)
◼ Attention-GAN for Object Transfiguration in Wild Images
Xinyuan Chen, Chang Xu, Xiaokang Yang, Dacheng Tao
https://arxiv.org/abs/1803.06798 (ECCV2018)
◼ Adversarially Learned One-Class Classifier for Novelty Detection
Mohammad Sabokrou, Mohammad Khalooei, Mahmood Fathy, Ehsan Adeli
http://openaccess.thecvf.com/content_cvpr_2018/html/Sabokrou_Adversarially_Learned_One-Class_CVPR_2018_paper.html (CVPR2018)
◼ AVID: Adversarial Visual Irregularity Detection
Mohammad Sabokrou, Masoud Pourreza, Mohsen Fayyaz, Rahim Entezari, Mahmood Fathy, Jürgen Gall, Ehsan Adeli
https://arxiv.org/abs/1805.09521
2
目次

3. TL;DR
◼ Classificationにおいて，取りうるすべての背景を集めるのは難しい
 見たことない背景等に対応できない
◼ Domain Generalizationによって，
ラベル付けられた複数ドメインのデータセットからユニバーサルな特徴を抽出
◼ 従来の研究では，ソースドメインにOverfittingしてしまう傾向があった
 AAE＋MMDで解決
3
Domain Generalization with Adversarial Feature Learning
Seen Domainで見たことの無い背景を持つ
Unseen Domainの自転車も自転車であると判定できるか？
色々な背景 → 色々なワーク
クラス分類 → 傷の種類分け
と考えれば，知識の転移ができるのでは？

4. ◼ AAEで特徴空間をラプラシアン分布に近づけるよう正則化
 ソースドメインへのOverfittingを抑制
◼ MMDを使って，ドメイン不変な特徴を抽出
 クラスが同じなら，ドメインが異なっていても特徴が近くなるような制約
4
Domain Generalization with Adversarial Feature Learning

5. ◼ CycleGANで変換するときに，背景等の情報も変換されてしまう
◼ Objectに対するAttentionを算出し，Attentionが大きい箇所だけ変換する
5
Attention-GAN for Object Transfiguration in Wild Images
( , , , ) ( , , , )
( , ) ( , ) ( , )cyc cyc sparse sparse
GAN y GAN x
cyc cyc A A x y A A x y
L L G D x y L F D x y
L G F L A A L A A  
= +
+ + +
変換した画像と原画像を重み付き (Attention) で足し合わせ
Attention の一貫性を保つLoss
AttentionがなるべくSparseになるように
( ) ( ) ( ) (1 ( ))x x xG x A x T x A x x= + −
1 1
( , ) ( ) ( ( )) ( ) ( ( ))cycA x y x X x y y Y y xL A A E A x A G x E A y A F y 
   = − + −
   
1 1
( , ) ( ) ( )sparseA x y x X x y Y yL A A E A x E A y 
  = +   

6. ◼ AutoEncoder (Denoising) + GAN
◼ Discriminatorの判定結果を異常度にする
 Dis(En(x))
6
Adversarially Learned One-Class Classifier for Novelty Detection
Encoderを通した方が分離性能が上がる

7. ◼ Pixel baseとPatch baseの両方で異常判定を行う
 Pixel: Reconstruction
 Patch: Discriminated Map
◼ 2つのネットワーク
 Inpainting Network (Denoising AutoEncoder)
 Detection Network (Discriminator)
7
AVID: Adversarial Visual Irregularity Detection
2つのネットワークの出力で異常領域を決定
Discriminatorはスカラーでなく，マップを出力
 true: 正常画像 X
 fake: 正常画像にノイズを加えてDenoise I X + ε
X
X + ε
add noise
I(X)
true
fake
22
min max log ( ) log ( ( ))d d
X P X P NI D
E D X E y D I X+
    + −      
1 1 1 1 1
1 1 1 1 1
1 1 1 1 1yは1 fill のマップ