У меня есть только данные об изображениях класса "Positive" из эксперимента, и задача состоит в том, чтобы обучить их с помощью сети глубокого обучения. Все, что немного отличается от указанной выше категории, следует классифицировать как аномалию / выброс? [Получение данных отрицательного класса из того же эксперимента - довольно сложная задача]
P.S: Не будет большой разницы между двумя классами данных. И задача состоит в том, чтобы использовать глубокое обучение без необходимости определять или давать какие-либо функции из изображений. Кроме того, для положительных данных о классе доступно лишь ограниченное количество изображений (около 300-400).
Простое предположение о том, как будет выглядеть аномальное изображение
Я считаю, что это совсем не обучение без учителя, потому что я знаю ярлыки одного из классов. Я попытался использовать для этого OneClassSVM без определения каких-либо функций (только что попробовал - мало знаний о SVM). Также пробовал использовать сверточные автоэнкодеры из этого "https://github.com/artem-hryb/cnn-anomaly-detection-keras "и Deep Autoencoders из" https://github.com/otenim/AnomalyDetectionUsingAutoencoder ". Некоторое пороговое значение было установлено на основе обучения вышеуказанных моделей, а затем оно использовалось для прогнозирования, является ли данное изображение аномалией или нет. Прогнозы не оправдались.
Если бы кто-нибудь мог указать мне правильное направление, это было бы большим подспорьем.