大家好，我是陆砚码。今天我们来聊聊无监督异常检测中遇到的一个常见问题——噪声数据。别急，我会用通俗易懂的方式，带你了解STKD方法是如何解决这个问题的。
什么是噪声数据？
在无监督异常检测中，我们通常用正常图片来训练模型。但有时候，由于各种原因，训练数据中可能会混入异常图像。这些噪声数据会影响我们的检测性能。
解决措施
为了解决这个问题，作者提出了两种措施：
- 迭代执行异常检测和训练步骤，细化训练集。
- 通过教师模型进行监督，减少异常样本的影响。
模型
模型基于CutPaste，实验配置与CutPaste相似。
方法
作者引入了知识蒸馏技术。教师模型和学生模型的输入分别是正常图像和合成异常图像。教师模型在ImageNet上预训练，对于正常图像，教师和学生的KL散度比较小；对于合成异常图像，KL散度会变大。这可以帮助我们识别出需要进一步去除的图像，从而细化数据集。
消融实验
实验结果表明，这两种措施都能有效提升检测性能。
想法
虽然这种方法可以去除噪声数据，但也会导致可用数据减少，可能对系统性能产生影响。如图2所示，异常率增加，数据集内可用的训练数据减少，导致AUC下降较大。
好了，今天的内容就到这里。如果你对无监督异常检测还有其他疑问，欢迎在评论区留言。我是陆砚码，我们下期再见！
——来自思享编程网（www.sxgpb.com）的陆砚码