to Guide Marker Discovery, 2017 異常位置のアノテーション無しでも(特徴量空間の差異を可視化したら) 異常部位のマーカーを付けることができる 異常度の診断は、特徴空間上での離れ具合についてで判断される。 この以前の画像異常検知の研究では 世の中にはDBN(ディープビリーフネット)から特徴量を抽出して1classSVMで異常検知を行うアプローチもあった High-dimensional and large-scale anomaly detection using a linearone-class SVM with deep learning, Erfani, 2016 畳み込みAE+SVMでの正常学習とか Identifying and Categorizing Anomalies in Retinal Imaging Data anoGAN
only high-dimensional image space but also with lower-dimensional latent space」 anoGANは事前に学習させたネットワークと調整層を使い、判定のために再度学習させ無理やり復元、 ここの学習に時間がかかり、efficientでなかった。 efficient-gan
Detection, 2016 GANより簡単の特徴量を使ったものだと Learning Deep Features for One-Class Classification、2018 があって、こっちは異常が画像の差分として出てくるので、異常部分の可視化ができる 再構築した画像が 「正常から再構成された画像」か「異常から再構成された画像」か を判定するCNNをGANの後ろにくっつけたもの 1C-SVMとGANの関係論文