FYD【异常检测：Representation-based】

2021.10，排名第12。

背景

无监督异常检测的实质：了解正常样本的分布，将测试中的异常值作为异常进行检测。

正常图像分布的典型特征是正常图像的非球面中心/高斯分布/KNN。 

异常检测方法的分类：Reconstruction-based、Representation-based。

论文定义了一种新的自我监督学习任务-非对比学习（Non-contrastive learning），非对比学习是指训练一个语义上有意义的正常图像表示，而不利用与异常图像间的距离。

模型原理

Coarse Alignment Stage（粗对齐阶段）

图像级粗对齐

过程：将图像进行仿射变换后，通过ICA模块进行训练以形成全局对齐的表示（将图像随机配对，最小化二者间的l2距离。）。

作用：使正常图像的像素级分布正则化，防止过拟合。

参考

正则化：给损失函数加限制，规范循环迭代，防止自我膨胀。

l2：绝对值较大的予以很大的权重，绝对值娇小的予以很小的权重。

l1：对所有权重予以相同的惩罚。 

一篇文章完全搞懂正则化（Regularization）_见见大魔王的博客-CSDN博客_正则化

仿射变换：另外两种变换的叠加：线性变换，平移变换。

仿射变换（Affine Transformation）原理及应用（1）_Godswisdom的博客-CSDN博客_仿射变换原理

特征级粗对齐 

过程：通过预训练的Resnet网络提取特征，使提取的特征经过FCA模块配合上一步的表示做进一步对齐训练。

Fine Alignment Stage （细对齐阶段）

过程：随机洗牌抽样两个特征映射。一个经过3层卷积，一个经过2层卷积，通过余弦相似度度量进行训练。其中有防止模式崩溃的梯度停止操作。

测试

经过两个阶段后，可以在每个像素位置处形成高斯分布，利用测试图像与高斯分布间的马氏距离来做判断。