论文速读:Deep Anomaly Detection Using Geometric Transformations [2018 NPIS]

本篇是近期在classification-based 在anomaly detection 上有重大突破，想法也很简单，即data augmentation 运用。

是通过geometric transformation 将one-class 的normal data转成 multi-class,用标准的cross entropy 训练分类器，进行分类取得的结果就很惊艳。

整体可分成三部分：
1.Creating the Self-Labeled Dataset
2.Learning the Self-Labeled Dataset
3.Normality Score

对于Creating the Self-Labeled Dataset  部分，以rotation为例子，即向右旋转0，90，180，270

论文中采用rotation 4种 * translation （向上移动，向下，不移动）3种* (向左移动，向右移动，不移动)*3种*flip 是否翻转 2 种= 72，即将一类 transform 成多类。

Learning the Self-Labeled Dataset 这部分就是用自建的数据集去训练分类器，loss用标准的cross entropy 就行

Normality Score 这一部分是为了进一步提升性能；

测试的时候将测试资料送进来也进行上述的transformation，然后分别将各个类别对应的资料进行分类，并把正确类别的softmax值相加平均即可达到很准的地步。同时可以用训练资料集合，去算dirichlet normality，简单来说是算每一项分数应该占的比重，来提升表现性能。