CVPR-2018
Novelty detection 是识别在某些方面与训练观察（目标类别）不同的观察的过程。实际上，Novelty class 在训练期间通常不存在，采样不良或定义不明确。因此，一类分类器可以有效地模拟这些问题。然而，由于来自 Novelty class 的数据不可用，训练端到端深度网络是一项繁琐的任务。在本文中，受到生成对抗网络在无监督和半监督环境中训练深度模型的成功的启发，我们提出了一种用于一类分类的端到端架构。我们的架构由两个深层网络组成，每个网络都通过相互竞争进行培训，同时协作了解目标类中的基本概念，然后对测试样本进行分类。一个网络用作新颖检测器，而另一个网络通过增强内部样本和扭曲异常值来支持它。直觉是增强的内点和失真的异常值的可分离性比决定原始样本要好得多。拟议框架适用于图像和视频中异常和异常值检测的不同相关应用。 MNIST和Caltech-256图像数据集的结果，以及用于视频异常检测的具有挑战性的UCSD Ped2数据集表明，我们提出的方法有效地学习目标类，并且优于基线和最先进的方法。
Introduction
受生成对抗网络（GAN）的启发[14]，我们提出了一类分类的端到端模型，并将其应用于不同的应用，包括异常检测，图像中的新颖检测和视频中的异常事件检测。与GAN类似，所提出的架构包括两个模块，这两个模块竞争学习，同时彼此协作以进行检测任务。第一个模块（表示为R）细化输入并逐渐将判别性材料注入到学习过程中，以使检测器，第二个模块（称为D）的正片和新片样品（即内点和异常值）更加可分离。
这两个网络是对抗性的，无人监督地使用训练数据学习，训练数据仅由目标类组成。具体地说，R学会重建正样本并试图欺骗检测器（即D）。然而，D学会区分原始（正）样本和重建样本。通过这种方式，D仅学习以所有正样本的空间为特征的概念，因此它可以用于区分正类和新类。另一方面，R学会有效地重建正样本，而对于负（或新颖）样本，它不能准确地重建输入，因此，对于负样本，它充当抽取器（或不正常的失真）。在测试阶段，D作为实际的新奇检测器运行，而R通过充分重建正样本或目标样本并抽取（或扭曲）任何给定的负面或新颖样本来改善检测器的性能。图1描绘了训练用于检测企鹅图像的模型的R和D网络的示例输入和输出。
总之，本文的主要贡献如下：（1）我们提出了一种用于学习一类分类器学习的端到端深度网络。据我们所知，本文是为一类分类引入端到端网络的第一个。 （2）几乎所有基于文献[31]中的GAN的方法在训练后都丢弃了生成器或鉴别器（分别类似于我们架构中的R和D）。只使用了一个训练有素的模型，而我们的设置更有效，并且受益于两个训练有素的模块，以便在测试阶段进行协作。 （3）我们的架构在完全没有来自新颖类的任何训练样本的情况下学习模型，并在不同的应用中实现最先进的性能，例如图像中的异常值检测和视频中的异常事件检测。