Adversarially learned anomaly detection using generative adversarial networks

Anomaly detection is an increasingly popular field in computer vision and also is a challenging problem concerning a wide variety of application domains. Areas like cyber security, finance, industry and others have tailored their solution methods to utilize data driven models. Considering these methods rely on the quality of data, anomaly detection plays a crucial role to detect abnormalities in the data that may harm the system if left undiscovered. For example in finance, expenditure history of the customers and their shopping patterns are analyzed to detect possible frauds [25]. Industrial systems use anomaly detection on the sensory data coming from the equipment to monitor the quality and maintenance needs [65]. In scenarios where the abnormal data is a rare occurrence or simply costly to be observed, reconstruction based approaches are used to model the normal data to learn to differentiate anomalies when encountered. Autoencoders have been heavily used for reconstruction based anomaly detection in recent years. Generative adversarial network (GAN) is a relatively new model that allows to generate new and unobserved data in an unsupervised way and its adaptation to reconstruction based anomaly detection setting is promising. This thesis provides a model to predict the anomalous regions on the Scanning Electron Microscope (SEM) images of nanofibrous materials combining a GAN and encoder networks. Proposed solution learns the bidirectional mapping between the image and its latent dimension space using the adversarial training of the generator network and the encoder network. We show that our approach produces better results than other GAN based anomaly detection frameworks trained with the SEM image dataset. While the performance increase is a small margin, our method shows better visual reconstructions of the data. Our work suggests that reconstruction based methods plays a fundamental role in anomaly detection with image data.

La rivelazione di anomalie é un argomento sempre piú popolare nel campo della visione artificiale e frattanto costituisce una sfida riguardo a un’ampia varietá di dominio dell’appliazione. Aree come la sicurezza informatica, la finanza, l’industria e altri hanno adattato i loro metodi di soluzione utilizzando i modelli basati sui dati. Considerando questi metodi che si basano sulla qualitá dei dati, la rilevazione delle anomalie gioca un ruolo cruciale per rilevare anomalie nei dati che potrebbero danneggiare il sistema se lasciato indefinito. Ad esempio vengono analizzati i dati finanziari relativi alle spese dei clienti e i loro modelli di acquisto per svelare dei frodi potenziali [25]. I sistemi industriali utilizzano il rilevamento delle anomalie sui dati sensoriali provenienti dall’apparato per monitorare la qualitá ed esigenze di manutenzione [65]. Negli scenari in cui i dati anormali ci mettono un caso raro o semplicemente costosi da osservare, gli approcci basati sulla ricostruzione vengono usati per modellare i dati normali per imparare a differenziare le anomalie quando incontrate. Gli autoencoder sono stati ampiamente utilizzati per la ricostruzione del rilevamento degli anomalie in ultimi anni. Generative adversarial network (GAN) é un modelli relativamente nuovo che viene utilizzato per generare dati nuovi e non osservati in modo non supervisionato e il suo adattamento alle impostazioni di rilevamento delle anomalie basate sulla ricostruzione é promettente. Questa tesi propone un modello per prevedere le regioni anormale sulle immagini del microscopio elettronico a scansione (SEM) di materiali nanofibrosi che combinano GAN e un encoder. La soluzione proposta si istruisce sulla mappatura bidirezionale tra l’immagine e il suo spazio di dimensione latente utilizzando l’allenamento contraddittorio della rete del generatore e della rete di encoder. Dimostriamo che il nostro approccio produce risultati migliori rispetto ad altri framework di rilevamento delle anomalie basati su GAN formati con il set di dati dell’immagine SEM. Mentre l’aumento delle prestazioni é un piccolo margine, il nostro metodo ottiene una migliore ricostruzione visiva dei dati. Il nostro lavoro suggerisce che i metodi basati sulla ricostruzione giocano un ruolo fondamentale nel rilevamento delle anomalie con i dati delle immagini.