[论文解读] One-Class Classification: A Survey

Pramuditha Perera, Poojan Oza+1 more|arXiv (Cornell University)|Jan 8, 2021

Anomaly Detection Techniques and Applications参考文献 99被引用 99

一句话总结

本论文综述用于视觉识别的经典统计方法及基于深度学习的单类分类（OCC）方法，讨论优点、缺点、数据集与评估指标。

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.

研究动机与目标

• 为基于图像的问题建立一个OCC的分类体系。
• 评审用于OCC的特征学习技术及其适用性。
• 调查经典的OCC算法与最近的基于深度学习的OCC方法。
• 讨论OCC中常用的数据集和评估指标。
• 确定OCC在未来的挑战与有前景的研究方向。

提出的方法

• 提出基于训练数据、特征和分类器的OCC分类体系。
• 评述用于OCC的特征学习方法，包括手工特征、统计特征和深度学习特征。
• 介绍经典的OCC算法（如OCSVM、SVDD、KNFST）以及基于深度学习的OCC方法（如OCCNN、AnoGAN、US-OCL）。
• 讨论正样本数据学习、带无标签数据的正样本学习，以及带标记的OOD数据的正样本学习。
• 检视自监督与OOD数据辅助的特征学习（DOC）与度量学习策略。
• 概述OCC研究中使用的数据集与评估指标等评价框架。

实验结果

研究问题

• RQ1 在基于图像的单类分类领域，哪种分类体系最能准确描述现状？
• RQ2 哪些特征表示有助于实现有效的OCC，以及深度特征如何改变OCC的性能？
• RQ3 主要的经典OCC算法与基于深度学习的OCC算法有哪些，它们在数据假设和目标上有何不同？
• RQ4 常用来评估OCC方法的数据集与评估指标有哪些？
• RQ5 视觉识别领域OCC未来的发展方向与研究空缺有哪些？

主要发现

• 自2017年以来，基于深度学习的OCC方法已成为主流，通常将特征学习与分类结合起来。
• 各种特征策略（手工特征、统计特征、深度特征）都可用于OCC，其中深度特征日益成为核心。
• 经典方法（OCSVM、SVDD、KNFST）仍然是基础，而新方法则聚焦于表示学习、生成模型和自监督。
• 越来越多地关注在正样本数据加上未标注数据或OOD数据的学习（DOC），以提高特征的紧凑性和描述性。
• 本综述强调了常用的数据集与评估协议，并讨论了未解决的研究挑战与未来方向。