Classification en une seule classe profonde via un descripteur gaussien interpolé

La classification à une seule classe (OCC) vise à apprendre une description efficace des données afin d’englober tous les échantillons normaux du jeu d’entraînement et à détecter les anomalies en fonction de l’écart par rapport à cette description. Les modèles d’OCC les plus performants actuellement apprennent une description compacte de la normalité par minimisation d’une hypersphère, mais ils souffrent souvent d’un surajustement aux données d’entraînement, notamment lorsque le jeu d’entraînement est petit ou contaminé par des échantillons anormaux. Pour résoudre ce problème, nous introduisons la méthode du descripteur gaussien interpolé (IGD), un nouveau modèle d’OCC qui apprend un classificateur d’anomalies à une seule classe gaussien, entraîné à l’aide d’échantillons d’entraînement interpolés de manière adversaire. Le classificateur d’anomalies gaussien distingue les échantillons d’entraînement en fonction de leur distance au centre gaussien et de l’écart-type de ces distances, offrant ainsi au modèle une capacité discriminative par rapport aux échantillons donnés pendant l’entraînement. L’interpolation adversaire est appliquée pour garantir l’apprentissage d’un descripteur gaussien lisse, même lorsque les données d’entraînement sont limitées ou contaminées par des anomalies. Cela permet à notre modèle d’apprendre une description des données fondée sur des échantillons normaux représentatifs, plutôt que sur des échantillons aux frontières ou anormaux, conduisant à une amélioration significative de la description de la normalité. Des expériences étendues sur diverses bases de données populaires, incluant MNIST, Fashion MNIST, CIFAR10, MVTec AD et deux jeux de données médicaux, montrent que l’IGD atteint une précision de détection supérieure à celle des modèles d’état de l’art actuels. L’IGD démontre également une meilleure robustesse dans les cas où le jeu d’entraînement est petit ou contaminé. Le code est disponible à l’adresse suivante : https://github.com/tianyu0207/IGD.