https://arxiv.org/abs/1703.05921
Abstract
질병의 예후를 모니터링하기 위해 이미지 마커를 잡아내는 모델을 얻는 것은 매우 어려운 일이다. 보통의 모델은 자동 감지를 위해 알려진 마커의 주석이 달린 예제를 사용하여 많은 양의 데이터를 기반으로 한다. 주석처리(라벨링) 작업과 이미 알려진 것들에 대해서만 탐지 가능하다는 점은 그런 방식의 단점을 작용한다 이 논문은 이미지에서 어노말리를 찾기 위해 비지도학습 이용하다. 우리가 제안한 anoGAN은 정상적인 변동성의 다양함(정상 데이텅의 분포)를 학습한 DCGAN과 이미지 공간에서 잠재공간으로의 매핑방식을 기반으로 어노말리 스코어를 계산한다. 새로운 데이터에 적용했을때 모델은 어노말리와 어노말리 스코어를 계산한다. 이 방식을 망막의 광학 단층 촬영 영상에 적용한 결과, 망막 유체 또는 반사성 초점을 포함하는 이미지와 같은 변칙적인 영상(어노말리)을 정확하게 식별함을 확인하였다.
1.train DCGAN with normal image
- Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks. arXiv:1511.06434 (2015)
2.Mapping new Images to the Latent Space
-
신규데이터(a query image x)가 들어오면 우리는 신규이미지 x와 시각적으로 가장 유사한 이미지 G(z)에 대응하는 z를 찾는 것이 목적이다.
-
best z를 찾기위해 처음에는 랜덤하게 뽑은 z1를 학습된 generator에 입력값으로 넣어 G(z1)를 얻는다.
-
G(z1)를 기준으로 loss를 계산한다. 이때 loss는 latent space에서 z1이 z2로 이동을 의미하는 z1의 coefficient를 업데이트할 그래디언트 역할을 한다. (z2 = c * z1, c는 backpropagation을 통해 결정)
-
신규데이터와 가장 유사한 G(z)를 찾기 위해, latent space에서 z의 위치는 역전파를 통한 반복적인 계산을 통해 최적화된다. (500 backpropagation steps)
2.1 loss
- z를 최적화기위해 사용한 loss는 2가지로 구성된다.
- residual loss : G(z)와 x와의 차이값
- discrimination loss : discriminator의 중간레이어 결과값의 차이
f(·) : output of an intermediate layer of the discriminator - overall loss : residual loss와 discrimination loss의 가중합 (논문에서 사용한 람다=0.1)
3.anomaly score
- 2의 맵핑과정을 통해 최종적으로 얻은 loss값을 사용한다
- 또한 신규이미지에서 anomaly의 영역을 규명하기위해 가장 유사한 이미지와 신규이미지와의 차이 이미지(residual image)를 사용하였다.
import numpy as np
import matplotlib.pyplot as plt
from keras.datasets import mnist
from tqdm import tqdm
import anogan
(X_train, y_train), (X_test, y_test) = mnist.load_data()
X_train = X_train.astype(np.float32)/255.
X_train = X_train.reshape(60000, 28, 28, 1)
Model_d, Model_g = anogan.train(32, X_train)#### discriminator ######
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_53 (Conv2D) (None, 14, 14, 64) 1664
_________________________________________________________________
leaky_re_lu_53 (LeakyReLU) (None, 14, 14, 64) 0
_________________________________________________________________
dropout_43 (Dropout) (None, 14, 14, 64) 0
_________________________________________________________________
conv2d_54 (Conv2D) (None, 7, 7, 128) 204928
_________________________________________________________________
leaky_re_lu_54 (LeakyReLU) (None, 7, 7, 128) 0
_________________________________________________________________
dropout_44 (Dropout) (None, 7, 7, 128) 0
_________________________________________________________________
flatten_22 (Flatten) (None, 6272) 0
_________________________________________________________________
dense_31 (Dense) (None, 1) 6273
=================================================================
Total params: 212,865
Trainable params: 212,865
Non-trainable params: 0
_________________________________________________________________
#### generator ######
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_32 (Dense) (None, 6272) 633472
_________________________________________________________________
leaky_re_lu_55 (LeakyReLU) (None, 6272) 0
_________________________________________________________________
reshape_6 (Reshape) (None, 7, 7, 128) 0
_________________________________________________________________
up_sampling2d_11 (UpSampling (None, 14, 14, 128) 0
_________________________________________________________________
conv2d_55 (Conv2D) (None, 14, 14, 64) 204864
_________________________________________________________________
leaky_re_lu_56 (LeakyReLU) (None, 14, 14, 64) 0
_________________________________________________________________
up_sampling2d_12 (UpSampling (None, 28, 28, 64) 0
_________________________________________________________________
conv2d_56 (Conv2D) (None, 28, 28, 1) 1601
=================================================================
Total params: 839,937
Trainable params: 839,937
Non-trainable params: 0
_________________________________________________________________
0%| | 0/200 [00:00<?, ?it/s]
## generate random image
generated_img = anogan.generate(3)
plt.figure(figsize=(2, 2))
plt.imshow(generated_img[0].reshape(28, 28),cmap=plt.cm.gray)
plt.show()
## compute anomaly score - sample from test set
X_test = X_test.astype(np.float32)/255.
X_test = X_test.reshape(-1, 28, 28, 1)
test_img = X_test[0]
model = anogan.anomaly_detector()
ano_score, similar_img = anogan.compute_anomaly_score(model, test_img.reshape(1, 28, 28, 1))
plt.figure(figsize=(2, 2))
plt.imshow(test_img.reshape(28,28), cmap=plt.cm.gray)
plt.show()
print("anomaly score : " + str(ano_score))
plt.figure(figsize=(2, 2))
plt.imshow(test_img.reshape(28,28), cmap=plt.cm.gray)
residual = test_img.reshape(28,28) - similar_img.reshape(28, 28)
plt.imshow(residual, cmap='jet', alpha=.5)
plt.show()
anomaly score : 29.612060546875
## compute anomaly score - sample from strange image
test_img = plt.imread('assets/test_img.png')
test_img = test_img[:,:,0]
model = anogan.anomaly_detector()
ano_score, similar_img = anogan.compute_anomaly_score(model, test_img.reshape(1, 28, 28, 1))
plt.figure(figsize=(2, 2))
plt.imshow(test_img.reshape(28,28), cmap=plt.cm.gray)
plt.show()
print("anomaly score : " + str(ano_score))
plt.figure(figsize=(2, 2))
plt.imshow(test_img.reshape(28,28), cmap=plt.cm.gray)
residual = test_img.reshape(28,28) - similar_img.reshape(28, 28)
plt.imshow(residual, cmap='jet', alpha=.5)
plt.show()
anomaly score : 446.46844482421875
from sklearn.manifold import TSNE
## t-SNE embedding
# generating anomaly image for test (radom noise image)
random_image = np.random.uniform(0,1, (100, 28,28, 1))
print("a sample from generated anomaly images(random noise image)")
plt.figure(figsize=(2, 2))
plt.imshow(random_image[0].reshape(28,28), cmap=plt.cm.gray)
plt.show()
# intermidieate output of discriminator
model = anogan.feature_extractor()
feature_map_of_random = model.predict(random_image, verbose=1)
feature_map_of_minist = model.predict(X_test[:300], verbose=1)
# t-SNE for visulization
output = np.concatenate((feature_map_of_random, feature_map_of_minist))
output = output.reshape(output.shape[0], -1)
anomaly_flag = np.array([1]*100+ [0]*300)
X_embedded = TSNE(n_components=2).fit_transform(output)
plt.title("t-SNE embedding on the feature representation")
plt.scatter(X_embedded[:100,0], X_embedded[:100,1], label='random noise(anomaly)')
plt.scatter(X_embedded[100:,0], X_embedded[100:,1], label='minist(normal)')
plt.legend()
plt.show()a sample from generated anomaly images(random noise image)
100/100 [==============================] - 0s 4ms/step
300/300 [==============================] - 0s 322us/step
