学习深层特征进行单类分类
通过使用中心为零的高斯噪声作为伪负类,并使用交叉熵损失函数来训练网络,学习一个良好的表示以及给定类的决策边界,我们提出了一种基于卷积神经网络的新型一类分类方法。该方法的一个关键特点是任何预训练的卷积神经网络都可以用作一个类分类的基本网络,经过大量实验比较,该方法在一类应用问题(如用户身份验证、异常检测和新颖性检测)方面取得了显著的改进。
Jan, 2019
本文提出了一种一类神经网络(OC-NN)模型,该模型结合了深层网络提取数据的逐渐丰富的表示能力和创造紧密包围正常数据的单类目标,从而可以检测复杂数据集中的异常值,实验证明该方法表现良好。
Feb, 2018
本文提出一种可解释的深度单类分类方法 FCDD,它基于卷积神经网络,通过非线性映射,将异常数据映射到远离正常数据的地方,从而检测异常。FCDD 在常见异常检测基准测试中取得了竞争性能,还能够提供合理的异常检测解释。此外,使用 FCDD 的解释,作者还展示了深度单类分类模型对于图片水印这类假象特征的脆弱性。
Jul, 2020
本文提出了一种适用于多模态数据的深度学习一类分类方法,通过联合训练两个卷积自编码器,使其在重构正样本输入数据的同时,在潜在空间中获得尽可能紧凑的数据表示。在推理过程中,可以使用输入的潜在表示与原点的距离作为异常分数。实验结果表明,与单模态方法相比,所提出的多模态方法在多模态昆虫图像分类数据集上获得了更好的结果。此外,本文还研究了不同输入图像尺寸的影响,并探讨了最近提出的特征多样性正则化对我们方法性能的影响。结果表明,这样的正则化手段能够提高性能。
Sep, 2023
本文旨在探讨深度卷积神经网络特征对无监督问题的可迁移性,并研究不同的预训练卷积神经网络特征提取器对于图像集群聚类和细粒度分类问题的影响,提出结合预训练的 ImageNet 中的深度特征提取和经典的聚类算法管道的分类方法,在图像聚类方面优于现有算法。作者同时在机器人应用中验证了该方法,成功实现了一种智能物体分类和存储的方案。
Jul, 2017
本文提出了一个两阶段的深度单类分类框架,第一阶段从单类数据中学习自监督表示,第二阶段在学习表示的基础上建立单类分类器, 并应用于视觉领域中的新颖性和异常检测任务中,实验表明其性能优于现有方法。
Nov, 2020
本文提出了一种新颖的方法来增强卷积神经网络(CNN)的可辨别性,通过建立一个树状结构来逐步学习精细的特征,以区分一部分类别。我们开发了一种新算法,有效地从大量类别中学习树结构。实验表明,我们的方法可以提高给定基本 CNN 模型的性能,且具有一般性,因此可以潜在地与许多其他深度学习模型结合使用。
Nov, 2015
本文提出了一种利用深度卷积神经网络学习特征进行文档图像分类和检索的最新技术,证实与手工制作的替代方法相比,能够更好地学习抽象特征,且具有压缩鲁棒性和跨领域迁移性,并在新的 IIT-CDIP 数据集中提供了 400,000 个文档图像用于深度学习。
Feb, 2015
通过对卷积神经网络 CNNs 模型对文件图像分类任务的研究,我们发现使用剪切变形的数据扩增和一个针对更大输入图像设计的架构,可以超过基准数据集的现有技术,并且我们发现使用 RVL-CDIP 训练的 CNNs 可以学习区域特定的布局特征。
Aug, 2017
通过结合卷积结构和近似 top-k 排名目标,利用深度神经网络的特征,改进了多标签图像注释,并在 NUS-WIDE 数据集上实现了比传统视觉特征高大约 10% 的性能表现,提出了一种有效的方法。
Dec, 2013