《表2 算法在MNIST数据测试AUC结果》
表2、3分别显示了在MNIST、CIFAR10数据获得的AUC结果,可以看出GANomaly模型较Ano GAN和EGBAD的AUC有很大的提升,原因是GANomaly提出的潜在向量结构在抗图像噪声干扰和图像细节敏感度上大大优于前两者,本文模型提出的用潜在空间矩阵来代替潜在空间向量具有更强大的学习表示能力,能够保留更多原始编码信息。在AUC测试结果上本文方法在CIFAR10数据集上比GANomaly算法平均提高3%,在MNIST数据集上平均提高4%,实现了良好的分类效果。图4展示了本文算法在X光包裹数据集上的主观效果,其中图(a)为原始异常样本,主要有刀具、打火机、电池三大类,如图中红色框所示。图(b)则为异常样本在本文算法中的检测结果,可以看出带有异常区域得分值较高以热力图高亮显示,而其他无异物样本区域得分值较低显示正常亮度,而对于GAnomaly潜在向量检测法则很难捕获异常区域信息。
图表编号 | XD00198081100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.31 |
作者 | 葛文超、魏超、王玉涛、鲁迎春、易茂祥 |
绘制单位 | 合肥工业大学电子科学与应用物理学院、华东交通大学数学学院、合肥工业大学电子科学与应用物理学院、合肥工业大学电子科学与应用物理学院、合肥工业大学电子科学与应用物理学院 |
更多格式 | 高清、无水印(增值服务) |