[논문 리뷰] One-Class Classification: A Survey

Pramuditha Perera, Poojan Oza외 1명|arXiv (Cornell University)|2021. 01. 08.

Anomaly Detection Techniques and Applications참고 문헌 99인용 수 99

한 줄 요약

본 논문은 시각 인식을 위한 고전적 통계 방법과 최근의 딥러닝 기반 단일 클래스 분류(OCC) 방법들을 고찰하고, 장점과 단점, 데이터셋, 평가 지표를 다룬다.

ABSTRACT

One-Class Classification (OCC) is a special case of multi-class classification, where data observed during training is from a single positive class. The goal of OCC is to learn a representation and/or a classifier that enables recognition of positively labeled queries during inference. This topic has received considerable amount of interest in the computer vision, machine learning and biometrics communities in recent years. In this article, we provide a survey of classical statistical and recent deep learning-based OCC methods for visual recognition. We discuss the merits and drawbacks of existing OCC approaches and identify promising avenues for research in this field. In addition, we present a discussion of commonly used datasets and evaluation metrics for OCC.

연구 동기 및 목표

• 이미지 기반 문제에서 OCC에 대한 분류 체계를 제시한다.
• OCC에 적합한 특징 학습 기법과 그 적합성을 검토한다.
• 고전적 OCC 알고리즘과 최근의 딥러닝 기반 OCC 방법을 조사한다.
• OCC에 일반적으로 사용되는 데이터셋과 평가 지표를 논의한다.
• OCC에서의 열린 과제와 유망한 연구 방향을 식별한다.

제안 방법

• 학습 데이터, 특징, 분류기에 기반한 OCC 분류 체계를 제안한다.
• OCC를 위한 수작업 특징, 통계적 특징 및 딥러닝 특징을 포함한 특징 학습 접근법을 검토한다.
• 고전적 OCC 알고리즘(예: OCSVM, SVDD, KNFST)과 딥러닝 기반 OCC 방법들(예: OCCNN, AnoGAN, US-OCL)을 다룬다.
• 양성 데이터 학습, 라벨이 없는 데이터가 있는 양성 데이터 학습, 라벨이 지정된 OOD 데이터가 있는 양성 데이터 학습에 대해 논의한다.
• 자기지도 학습(Self-supervised) 및 OOD 데이터 보조 특징 학습(DOC)과 거리 학습(metric-learning) 전략을 검토한다.
• OCC 연구에서 사용되는 데이터셋과 지표를 포함한 평가 프레임워크를 개요로 제시한다.

실험 결과

연구 질문

• RQ1 이미지 기반 단일 클래스 분류의 흐름을 가장 잘 포착하는 분류 체계는 무엇인가?
• RQ2 어떤 특징 표현이 효과적인 OCC를 지원하며, 딥러닝 특징이 OCC 성능을 어떻게 변화시켰는가?
• RQ3 주요 고전적 및 딥러닝 OCC 알고리즘은 무엇이며, 데이터 가정과 목적에서 어떻게 다른가?
• RQ4 OCC 방법을 평가하는 데 일반적으로 사용되는 데이터셋과 평가 지표는 무엇인가?
• RQ5 시각 인식을 위한 OCC에서의 향후 방향과 연구 격차는 무엇인가?

주요 결과

• 2017년 이후 딥러닝 기반 OCC 방법이 주류가 되었으며, 종종 특징 학습과 분류를 결합한다.
• 수작업 특징, 통계적 특징, 딥러닝 특징을 포함한 다양한 특징 전략이 OCC에 적용 가능하며, 딥러닝 특징이 점점 중심이 되고 있다.
• 고전적 방법(OCSVM, SVDD, KNFST)은 여전히 기초를 이루고 있으며, 새로운 방법들은 표현 학습, 생성 모델, 자기지도 학습에 중점을 두고 있다.
• 양성 데이터와 라벨이 없는 데이터 또는 OOD 데이터를 함께 학습하는(DOC) 방식에 대한 관심이 증가하고 있으며, 특징의 간결성과 서술성을 개선한다.
• 이 조사는 일반적으로 사용되는 데이터셋과 평가 프로토콜을 강조하고, 열린 연구 과제와 향후 방향을 논의한다.