异常检测是要识别在某些方面与训练观察结果不同的样本。这些不符合正常数据分布的样本称为异常值或异常。在现实世界的异常检测问题中,离群值不存在,定义不当或实例非常有限。最近的最新基于深度学习的异常检测方法遭受了高计算成本,复杂性,不稳定的培训程序和非平凡的实施,因此它们很难在现实世界应用中部署。为了解决这个问题,我们利用一个简单的学习程序来训练轻量级的卷积神经网络,在异常检测中达到最先进的表现。在本文中,我们建议将异常检测作为监督回归问题。我们使用连续值的两个可分离分布标记正常和异常数据。为了补偿训练时间中异常样品的不可用,我们利用直接图像增强技术来创建一组不同的样本作为异常。增强集的分布相似,但与正常数据略有偏差,而实际异常将具有进一步的分布。因此,对这些增强样品的训练回归器将导致标签的分布更加可分离,以适应正常和真实的异常数据点。图像和视频数据集的异常检测实验显示了所提出的方法比最新方法的优越性。
translated by 谷歌翻译