本文提出了一种基于生成式对抗网络的端到端架构，用于解决新颖性检测和异常检测等相关应用中由于缺乏来自新奇类的数据而难以训练端到端深度神经网络的问题，其结果在 MNIST 和 Caltech-256 图像数据集以及挑战性的 UCSD Ped2 视频异常检测数据集上证明，该方法有效地学习了目标类，并优于基线和最先进的方法。

Feb, 2018

利用生成对抗网络方法训练的人工神经网络对无法识别的手势进行分类，旨在提高手势分类准确率和新手势的识别率。经测试，该方法会导致一些已知手势分类不正确，但这种方式已经可以在训练准确率损失 5% 的代价下取得 95.4% 或 90.2% 的新手势检测率。

Apr, 2023

本文提出了一种新的模型 OCGAN，基于 denoising auto-encoder network 学习隐空间的表示，并使用两个 adversarial 训练的鉴别器来强制约束隐空间的表示只包含给定类别。该方法在两个 one-class novelty detection 协议中，在四个公开数据集上取得了最先进的结果。

Mar, 2019

该论文基于深度学习编码 - 解码器网络架构，提出了一种概率方法来检测新数据点，并通过对正常数据分布的线性化及自编码网络的训练来实现。结果表明，在多个基准数据集上，该方法能够达到最先进水平。

Jul, 2018

本研究调查了基于 GAN 的异常检测方法，评价了其优缺点，并在不同数据集上实验证明了主要的 GAN 模型的性能。同时，提供了一个完整的开源工具箱来使用 GAN 进行异常检测。

Jun, 2019

该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

Oct, 2019

本研究介绍了一种用于检测高维异常数据的方法 ——Fence GAN，它通过修正基于生成式对抗网络（GAN）的损失函数，将生成的样本限制在真实数据分布的边界上，并且将判别器的评分直接用作异常阈值，实验结果表明，与现有方法相比，Fence GAN 可以获得最好的异常分类准确性。

Apr, 2019

本研究提出了一种基于迁移学习的深度神经网络模型，通过采用新颖的成员损失函数和全局负过滤器增强了模型性能，从而实现有效的多类新颖物体检测。

Mar, 2019

本研究提出了一种简单而高效的基于重构的方法，用于检测计算机视觉中的分类外样本，该方法不仅具有比 GAN 等模型更好的性能，还利用实际数据和生成样本结合的方式同时引入了重构误差和生成样本。在 MNIST 和 Caltech-256 数据集上，我们的模型在检测新奇样本方面实现了比现有方法显着的改进。

Oct, 2022

在动态、开放的情境中评估时，神经网络在检测未知类别时遇到困难。本文提出了一种新方法，通过线性搜索和基于样本交叉验证选择门槛值，自动适应性地检测新颖性，从而提高 MNIST、Fashion MNIST 和 CIFAR-10 的总准确率。

Sep, 2023