Loading...

Anomaly Detection in Image and Video with Improved False Positive Rate

Salehi Dehnavi, Mohammad Reza | 2020

664 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 53716 (19)
  4. University: Sharif University of Technology
  5. Department: Computer Engineering
  6. Advisor(s): Rabiee, Hamid Reza; Rohban, Mohammad Reza
  7. Abstract:
  8. Autoencoder, as an essential part of many anomaly detection methods, is lacking flexibility on normal data in complex datasets. U-Net is proved to be effective for this purpose but overfits on the training data if trained by just using reconstruction error similar to other AE-based frameworks. Puzzle-solving, as a pretext task of self-supervised learning (SSL) methods, has earlier proved its ability in learning semantically meaningful features. We show that training U-Nets based on this task is an effective remedy that prevents overfitting and facilitates learning beyond pixel-level features. Shortcut solutions, however,are a big challenge in SSL tasks, including jigsaw puzzles. We propose adversarial robust training as an effective automatic shortcut removal. We achieve competitive or superior results compared to the State of the Art (SOTA)anomaly detection methods on various toy and real-world datasets. Unlike many competitors, the proposed framework is stable, fast, data-efficient, and does not require unprincipled early stopping
  9. Keywords:
  10. Autoencoder ; Adversarial Training ; Self-Supervised Learning ; Novelty Detection ; One-Class Learning ; Adversarial Robust Training

 Digital Object List

 Bookmark

  • فصل مقدمه
    • تشخیص ناهنجاری
      • بر اساس وجود یا عدم وجود برچسب
      • بر اساس ماهیت داده
      • بر اساس نوع ناهنجاری
    • تفاوت تشخیص ناهنجاری با روش های تخمین تابع توزیع احتمال و دیدگاه های مشابه چیست ؟
    • هدف پژوهش
      • از بعد کاربرد و داده
      • از بعد چالش های موجود
    • نوآوری‌های رساله
    • ساختار رساله
  • فصل پژوهش‌های پیشین
    • مدل های مبتنی بر خوشه بندی
    • مدل های مبتنی بر تابع چگالی احتمال Density Estimators
    • مدل های تلفیقی Hybrid
    • شبکه‌های عصبی یک کلاسه One Class Neural Network
    • مدل های مبتنی بر درخت تصمیمDecision Tree
    • مدل های مبتنی بر یادگیری عمیق تقویتی Deep Reinforcement Learning
    • مدل های مولد براساس شبکه‌های عمیق Generative Deep Neural Network
    • مدل های مبتنی برخودکدگذار Autoencoder
    • مدل های مبتنی بریادگیری چند نمونه ای Multiple Instance Learning
    • جمعبندی
  • فصل پیش‌نیازها
    • مقاوم‌سازی خصمانه
    • روش‌های خودنظارتی
  • فصل روش ارائه شده
    • آموزش خصمانه خودکدگذار
      • ساختن مجموعه داده‌ی خصمانه
      • استفاده از مجموعه داده‌ی خصمانه و آموزش خودکدگذار به وسیله‌ی آن‌ها
      • توضیحات شهودی
      • آموزش به صورت خودنظارتی
  • فصل آزمایش‌ها
    • تنظیمات آزمایش
      • مجموعه دادگان
      • معیار ارزیابی
    • نتایج آموزش خصمانه
      • معماری شبکه و فراپارامتر ها
      • نتایج
      • بررسی شیوه‌های دیگر آموزش مدل
    • نمایش بصری
      • بررسی بهینه‌های محلی
    • نتایج کل بستر به صورت یکجا
      • بررسی پایداری مدل
    • جمع‌بندی
  • فصل جمع بندی
  • مراجع
...see more