AnoGAN
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.
DCGAN训练完毕后，冻结DCGAN的参数，隐空间为待训练参数。随机在**隐空间中选择一个点**，生成器生成的图像记为,测试图像记为x，通过使用反向传播，利用某些优化算法，例如SGD，经过若干轮优化，可以在隐空间中找到一个点，记为使得loss最小，此时生成器生成的图像,与图像A最为相近。由于生成器只能生成正常图片，异常图片与正常图片的差距本来就比较大，比较图像与图像x的差距，**如果差距大于某个数值，则可认为图像A出现异常。整个网络框架如下所示：**<br /><br />由此可以抛出两个问题
- 如何设计loss
- 如何比较比较图像
与图像x的差异。
Generative Adversarial Representation Learning
Unsupervised Manifold Learning
若有收获，就点个赞吧
0 人点赞
