回答編集履歴
3
補足と日本語修正
test
CHANGED
|
@@ -18,9 +18,15 @@
|
|
|
18
18
|
|
|
19
19
|
|
|
20
20
|
|
|
21
|
-
|
|
21
|
+
こう定義できると、異常検知の手法を取ることができます。具体的には、「正常画像だけで異常画像なしに異常かどうかを"らしさ"から仕分ける」ことができます。すると、クラス分け問題から、（回帰と言っていいか微妙な気がしますが）回帰問題に化けさせられます。
|
|
22
22
|
|
|
23
|
-
Metric learningでは、似ているものを近くに、似ていないものを遠くに集める特性があります。異常画像は似ていないので離れたところに飛ばされます。どれだけ飛ばされているか、をLOFという手法で数値に起こすイメージです。
|
|
23
|
+
この異常検知するMetric learningという手法では、ネットワークでは直接回帰はしていませんがLOFを経由してどれだけ密集しているかに回帰できます。Metric learningでは、似ているものを近くに、似ていないものを遠くに集める特性があります。異常画像は似ていないので離れたところに飛ばされます。どれだけ飛ばされているか、をLOFという手法で数値に起こすイメージです。
|
|
24
|
+
|
|
25
|
+
|
|
26
|
+
|
|
27
|
+
1. Metric learningの手法で似ているものと似ていないものをプロットする
|
|
28
|
+
|
|
29
|
+
2. LOFを使ってどのクラスターに近いか（異常度が低いか）を調べる
|
|
24
30
|
|
|
25
31
|
|
|
26
32
|
|
2
具体化
test
CHANGED
|
@@ -1,4 +1,4 @@
|
|
|
1
|
-
もやっとした回答で申し訳ないですが、これは普通のCNNベースのネットワークで解くのはあまり筋が良くないと思います。すでにご指摘の通り、
|
|
1
|
+
もやっとした回答で申し訳ないですが、これは普通のCNNベースのクラス分けのネットワークで解くのはあまり筋が良くないと思います。すでにご指摘の通り、
|
|
2
2
|
|
|
3
3
|
|
|
4
4
|
|
1
補足追加
test
CHANGED
|
@@ -12,11 +12,15 @@
|
|
|
12
12
|
|
|
13
13
|
問題の定義を少し変えると対応できると思います。
|
|
14
14
|
|
|
15
|
+
|
|
16
|
+
|
|
15
|
-
やりたいことを、元の定義と似ているけれども少し違う、
|
|
17
|
+
やりたいことを、元の定義と似ているけれども少し違う、**犬らしい画像、猫らしい画像、犬らしくも猫らしくもない画像の”らしさ”を知りたい**、としましょう。
|
|
16
18
|
|
|
17
19
|
|
|
18
20
|
|
|
19
|
-
こう定義できると、異常検知の手法を取ることができます。「正常画像だけで異常画像なしに異常かどうかを"らしさ"から仕分ける」ことができます。
|
|
21
|
+
すると、クラス分け問題から、（回帰と言っていいか微妙な気がしますが）回帰問題に化けました。ネットワークで直接回帰はしていませんが、Metric learningではLOFを経由してどれだけ密集しているかに回帰していますね。こう定義できると、異常検知の手法を取ることができます。「正常画像だけで異常画像なしに異常かどうかを"らしさ"から仕分ける」ことができます。
|
|
22
|
+
|
|
23
|
+
Metric learningでは、似ているものを近くに、似ていないものを遠くに集める特性があります。異常画像は似ていないので離れたところに飛ばされます。どれだけ飛ばされているか、をLOFという手法で数値に起こすイメージです。
|
|
20
24
|
|
|
21
25
|
|
|
22
26
|
|