【论文阅读】UI-GAN: Generative Adversarial Network-BasedAnomaly Detection

本文提出了一种用于可穿戴设备的自动跌倒检测方法，该方法可以在检测到跌倒时及时提醒护理人员，从而减少老年人的伤害。

 ​​​UI-GAN架构

特征描述

数据集描述

模型评价：

精确率 = (TP + TN)/(TP + TN + FP + FN),
Sen灵敏度 = TP/(TP + FN),
Spe特殊性 = TN/(TN + FP),
YI指标 = 1/2(Sensitivity + Specificity)

高Spe意味着在非跌倒中跌倒检测的假阳性率低; 否则，高Sen意味着跌倒中的缺失率低。

有待完善

2022.10.21更新

训练目标函数结合了对抗性损失 (Ladv) 、上下文损失 (Lcon) 和潜在损失 (Llat)。

本文中生成器为上面根据Non-fall data重建样本的过程,生成器尝试使用初始信息来学习非跌倒特征的分布。

训练完成后，生成器最终生成重建，这与非跌倒行为特征高度相似。

在异常检测器中，输入的非跌倒行为样本与其重构之间的差异将足够小。但是，重建将与输入的非跌倒行为样本有很大不同，因为生成器试图在非跌倒行为样本特征分布中进行重建。

从输入和重建之间的差异 (异常得分) ( ||-||)提出的基于GAN的异常检测器确定是跌倒还是不跌倒。

对抗性损失Ladv与传统GAN中的判别器损失起相同作用，其中Ladv在（1）中表示。在（2）中，上下文损失Lcon旨在优化关于输入数据的上下文信息，对输入和重建之间的差异 (异常得分）

  ||-||求期望

符号	含义
D	判别函数，输出值范围0~1，0表示预测为生成样本，1表示预测为真实样本
	生成函数，用于生成样本数据
Ex~pdata(x)	表示对真实样本求期望（本身无意义，表示求后边中括号内公式的期望）
Ez~pz(z)	表示对生成样本分别求期望（本身无意义，表示求后边中括号内公式的期望）

1. 首先来看函数Ladv(D（）,D（）)，这个函数就是用来衡量判别式性能的，当D性能最优时，第一项中D()的期望=1，第一项整体期望等于0，第二项D() 的期望等于0 第二项整体期望等于0，Ladv(D（）,D（）)=0；D的性能越差，同理可知，公式中的两项都会越小（且为负值）Ladv(D（）,D（）)越小 

2. 将max()Ladv(D,)看作一个整体，将损失Ladv按最大值优化，根据第一点可知，得到最优的判别式网络D

3. 然后，表示找到最优的判别式网络D的基础上，通过最小化Ladv(D（）)这个损失函数的方式，找到最优的生成网络G；因为得到最优的生成网络G，等价于让判别网络无法识别生成网络G生成的样本，等价于降低判别式网络D的性能。

使用L1-norm代替输入图像与其重建之间的L2-norm，因为它减少了重建中的模糊性。从理论上讲，该模型可以生成与上述两个损失相似的图像，并且额外的损失有助于减小等式3中x和x的潜在表示之间的距离，其中f(·) 表示鉴别器D的最后卷积层。最后，总的培训目标变成了损失的加权总和，其中wadv = 1，wcon = 40，wlat = 1 。更新使用了Adam优化器，以便通过反向传播最小化方程4 。