缺陷检测问题学习、总结和思考

对于缺陷检测的问题，由于缺陷数据天然难以获得，所以需要在方法特殊处理来弥补数据上的不足。
方法上有两种思路

1. 使用GAN网络来生成数据
2. 使用One Class Classification 方法

One Class Classification相关方法

1. One-class SVM方法
   用autoencoder、预训练的网络或者传统图像处理方法提取feature，然后使用One-class SVM建立模型
   具体参考One-class SVM文档
2. Learning Deep Features for One-Class Classification
   这篇论文提出了两个loss来解决One-Class Classification的问题，一个是Descriptiveness loss，另一个是Compactness loss。
   Compactness loss用来使在目标类别上学习到的feature相互近似，也就是说这些feature集中在高维空间中的一个比较小的区域之内。Compactness loss的计算方法类似与方差，但是论文中在用样本减去均值的时候，这个均值是用除当前样本之外的其他样本计算出来的均值。
   Descriptiveness loss用来描述feature区分不同类别物体的性能，论文中使用的就是feature 在Multi-Class Reference Dataset （ImageNet）上面分类的cross entropy loss。在模型训练的时候，先加载一个batch的Reference Data，计算Descriptiveness loss，然后加载一个batch的目标One Class Data计算Compactness loss，然后总的loss为Descriptiveness + 0.1 * Compactness loss。 用这个loss去训练网络，得到feature提取网络，然然后可以配合分类器实现One-Class Classification。个人感觉这个方法类似与训练一个多分类器，但是在One-Class Classification所关心的数据类别上提高了类别权重。
3. Anomaly Detection using One-Class Neural Networks
   就是一个NN，但是loss参照了svm