Classification d'images en apprenant sur des échantillons positifs et non labélisés avec un réseau antagoniste génératif(Image classification by learning on positive and unlabeled samples with a generative adversarial network)

Dans ce document, nous proposons une nouvelle approche repondant a la tâche de classification d'images a partir d'un apprentissage sur donnees positives et non-labelisees. Son bon fonctionnement repose sur certaines particularites des reseaux antagonistes generatifs (GANs). Ces derniers nous permettent de generer des fausses images dont la distribution se rapproche de la distribution des echantillons negatifs inclus dans le jeu de donnees non labelise disponible, tout en restant differente de la distribution des echantillons positifs non labelises. Ensuite, nous entrainons un classifieur convolutif avec les echantillons positifs et les faux echantillons generes, tel que cela aurait ete fait avec un jeu de donnees classique de type Positif Negatif. Les tests realises sur trois jeux de donnees differents de classification d'images montrent que le systeme est stable dans son comportement jusqu'a une fraction consequente d'echantillons positifs presents dans le jeu de donnees non labelise. Bien que tres differente, cette methode surpasse l'etat de l'art PU learning sur le jeu de donnees RVB CIFAR-10.

[1]  Roland Vollgraf,et al.  Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms , 2017, ArXiv.

[2]  Ali Farhadi,et al.  YOLO9000: Better, Faster, Stronger , 2016, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

[3]  Soumith Chintala,et al.  Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks , 2015, ICLR.

[4]  David Lopez-Paz,et al.  Optimizing the Latent Space of Generative Networks , 2017, ICML.

[5]  Alex Krizhevsky,et al.  Learning Multiple Layers of Features from Tiny Images , 2009 .

[6]  Kaiming He,et al.  Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks , 2015, IEEE Transactions on Pattern Analysis and Machine Intelligence.

[7]  David A. Clifton,et al.  A review of novelty detection , 2014, Signal Process..

[8]  Ali Farhadi,et al.  You Only Look Once: Unified, Real-Time Object Detection , 2015, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

[9]  Léon Bottou,et al.  Wasserstein Generative Adversarial Networks , 2017, ICML.

[10]  Wojciech Zaremba,et al.  Improved Techniques for Training GANs , 2016, NIPS.

[11]  Tailin Wu,et al.  Learning with Confident Examples: Rank Pruning for Robust Classification with Noisy Labels , 2017, UAI.

[12]  Tapani Raiko,et al.  Semi-supervised Learning with Ladder Networks , 2015, NIPS.

[13]  Yoshua Bengio,et al.  Generative Adversarial Nets , 2014, NIPS.

[14]  Wei Liu,et al.  SSD: Single Shot MultiBox Detector , 2015, ECCV.

[15]  Aaron C. Courville,et al.  Improved Training of Wasserstein GANs , 2017, NIPS.

[16]  Yoshua Bengio,et al.  Gradient-based learning applied to document recognition , 1998, Proc. IEEE.

[17]  Brahim Chaib-draa,et al.  A generative adversarial framework for positive-unlabeled classification , 2017, ArXiv.

[18]  Gang Niu,et al.  Theoretical Comparisons of Positive-Unlabeled Learning against Positive-Negative Learning , 2016, NIPS.

[19]  Roberto Cipolla,et al.  SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation , 2015, IEEE Transactions on Pattern Analysis and Machine Intelligence.

[20]  David Berthelot,et al.  BEGAN: Boundary Equilibrium Generative Adversarial Networks , 2017, ArXiv.

[21]  Shehroz S. Khan,et al.  One-class classification: taxonomy of study and review of techniques , 2013, The Knowledge Engineering Review.