Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Más de harmonylab
Más de harmonylab (20)
Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
- 1. DLゼミ 2018.11.22 発表者 M2 平間 友⼤ Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery Thomas Schlegl1,2 ⋆, Philipp Seeb¨ock1,2, Sebastian M. Waldstein2, Ursula Schmidt-Erfurth2, and Georg Langs1 1Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University Vienna, Austria thomas.schlegl@meduniwien.ac.at 2Christian Doppler Laboratory for Ophthalmic Image Analysis, Department of Ophthalmology and Optometry, Medical University Vienna, Austria 論⽂URL：https://arxiv.org/abs/1703.05921 学会 ：IPMI 2017
- 2. 背景 CNN（Convolutional Neural Network）などの識別モデルでは， 異常検知タスクにおいて異常データが少ないと ・汎化性能が低い ・学習・検証ができない などの問題がある． GAN（Generative Adversarial Networks）などの⽣成モデル を⽤いた教師なし学習によって異常検知タスクを解決する．
- 5. 概要 「AnoGAN」 メインアイデア ・正常データのみ学習して表現できるようにした⽣成モデルは，正常データの 分布でしか写像できないのではないか？ 上記仮説を⽴証するため，以下の学習を⾏い，異常度を算出する A.正常画像の分布を探索（通常のGANによる⽣成器の作成） B.⼊⼒画像を潜在空間に逆写像し，元画像と同じになるzの探索 →Aで⽣成器が正常画像の分布に従って⽣成するならば， ⽣成器は⼊⼒された異常画像を写像した際，元画像と同じ画像にならない 入力 画像 Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery 逆写像
- 9. 実験 ⽬的 ・健康な網膜画像のみを⽤いて学習し，疾患検出におけるAnoGAN性能評価 定性的評価 ・⽣成モデルがリアルな画像を⽣成できているか 健康，異常パターンを⽬視で確認 定量的評価 ・異常検出精度の算出 残差スコア，識別精度，ROC曲線 ⽐較⼿法 ・aCAE(adversarial convolutional autoencoder) ・GANR AnoGANの異常スコアを先⾏研究に置き換えたもの[13] [13] Yeh, R., Chen, C., Lim, T.Y., Hasegawa-Johnson, M., Do, M.N.: Semantic image inpainting with perceptual and contextual losses. arXiv:1607.07539 (2016)
- 10. データセット ・網膜の正常，異常データ 合計１００万枚 ・64*64pxサイズ ・異常データ枚数は不明 網膜液，HRFなど10種類 実験 パラメータ ⽣成器，識別器 ・畳み込み層：４ ・フィルタサイズ：5*5 最適化⼿法 ・Adam 細かい設定は[12]を参考 [12] Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv:1511.06434 (2015) 正常 異常
- 11. 実験結果 ⼊⼒画像 ⽣成画像 残差オー バーレイ 異常部分 の領域 学習画像 テスト画像（正常） テスト画像（異常） ※領域ラベルがついているのは網膜液(retinal fluid)のみ．⼀番右列はHRF(hyperreflective foci) ・リアルな正常画像を⽣成できている ・異常画像はうまく⽣成できていない → 仮説の⽴証 定性的評価
- 15. AnoGANをベースにした論⽂がICLR2018に２本投稿されていた ・論⽂名：Anomaly Detection with Generative Adversarial Networks for Multivariate Time Series ・URL：https://arxiv.org/abs/1809.04758 ・概要 ー⼊⼒画像とより近似した画像を⽣成する ため，潜在空間を探索時に⽣成器⾃体も学習 ー異常スコアの⾒直し
- 16. AnoGANをベースにした論⽂がICLR2018に２本投稿されていた ・論⽂名：Efficient GAN-Based Anomaly Detection ・URL:https://arxiv.org/abs/1802.06222 ・概要 潜在空間への逆写像も同時に学習 計算時間を⼤幅に短縮