如何使用自动编码器对图像进行离群点检测

Question

我有一堆从照相机上拍摄的图像，显示一个管道，并想要检测管道是否漏水。在数据集中很少有漏水管道的例子。因此，考虑到这个问题是一个监督学习问题，我认为由于数据不平衡，它可能不会给我们带来好的结果。我正在考虑使用自动编码器，并认为它是一个孤立点检测问题。

我刚开始深入学习，所以我想知道我的神经网络的结构应该是什么样子。我应该先有一些卷积层，然后是一个自动编码器，还是应该只有一个自动编码器？对于这样一个用例，什么是最好的深层次学习库？我也在考虑只使用那些在训练阶段没有泄漏的照片，可以吗？

Answer 1

如果你使用监督学习，你需要加权你的标签(这里)。

否则，我强烈建议排除CAE训练数据集的每个泄漏图像。如果您的训练数据集中有异常，您的CAE将学习它作为正常。这实际上是一个活跃的研究领域，对于真实的数据集来说并不是微不足道的，但是如果您拥有管道的静态图像，这应该是很容易的。我建议你使用传统的简历，而不是DL模型，因为你可以解释和微调结果。

Answer 2

你的解释不够充分。如果您有相同的图像，具有相同的背景，这意味着您可以使用简单的图像差异来查找更改和检测泄漏。

Answer 3

一个想法是训练你的自动编码器，只有一个正常的图像，这将允许你在一个较低的空间表示问题。您的图像将按以下方式编码，用于x \in \mathbb{R}^{W \times H \times C}

f(x) = \tilde{x} \in \mathbb{R}^{1 \times d}

然后，由于您位于较低维空间，您可以使用基于距离的规则:您的正常情况应该在某个球中累积：

\{ ||x-u|| < \varepsilon \}

在那里u将是中心(所有正常训练案例的平均值)。然后使用火车模型在预测时间对图像进行编码。如果一个新的点在球里面，这是一个正常的情况，如果它在外面，它是一个离群点。

这只是一个想法，我认为有很多可能的方法来解决这个问题。