쏴아리의 딥러닝 스터디

f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks(2019) Abstract 1. 의료 이미지의 이상여부 Label을 얻는 작업은 time-consuming하고 비현실적입니다. 의료 이미지에 대한 전문가의 라벨을 얻는 것은 time-consuming 하고 매우 어려운 작업입니다. 또한 사전에 알려진 모든 가능한 라벨을 annotation 하는 작업은 불가능하고, 또한 guide annotation도 충분히 잘 묘사하기 힘든 경우가 있습니다. supervised learning 방법론은 전문가의 labeled training data가 있다면 좋은 결과를 낼 수 있지만, 라벨이 반드시 존재해야 하는 한계점이 ..

Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery Abstract 질병의 발병을 모니터링 하기 위하여, 이상한 이미지를 마킹하는 작업은 도전적인 문제입니다. 일반적으로 모델은 많은 라벨 데이터를 필요로 하기 때문입니다. 하지만 라벨을 annotation하는 작업은 비용이 많이 든다는 한계점이 있습니다. 본 연구에서는 비지도 학습기반의 방법론 AnoGAN을 통해 이미지 데이터를 위한 이상탐지를 수행합니다. AnoGAN은 정상데이터의 다양성의 Manifold를 학습하기 위한 Deep Convolutional Generative Adversarial Network로서, 새로운 이상 데이터를 l..