AutoEncoder（自己符号化器）とは、機械学習において、ニューラルネットワークを使用した次元圧縮のためのアルゴリズム。（From Wiki）
今回はAutoEncoderを使って、画像の異常検出をやってみたいです。
使用する画像はWorkpilesさんのきゅうりの画像（勝手に使って申し訳ないですけど…）
2L分類のきゅうり：正常
C分類のきゅうり：異常
にします。
####モデル
Input：32x32x3の画像
Encoder：畳み込み層+プーリング*3
32x32x3 → 16x16x32 → 8x8x16 → 4x4x8
つまり、抽出された特徴は128です。
Decoder：4x4x8の特徴から32x32x3画像へ復元
####ソースコード
Githubに保存しました。
encoder
W_conv1 = weight_variable([3, 3, DEPTH, 32])
b_conv1 = bias_variable([32])
h_conv1 = tf.nn.relu(conv2d(x, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
W_conv2 = weight_variable([3, 3, 32, 16])
b_conv2 = bias_variable([16])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)
W_conv3 = weight_variable([3, 3, 16, 8])
b_conv3 = bias_variable([8])
h_conv3 = tf.nn.relu(conv2d(h_pool2, W_conv3) + b_conv3)
h_pool3 = max_pool_2x2(h_conv3)
decoder
de_W_conv3 = weight_variable([3, 3, 16, 8])
de_b_conv3 = bias_variable([16])
de_h_conv3 = tf.nn.relu(de_conv2d(x, de_W_conv3, [batch_size, WIDTH//4, HEIGHT//4, 16], [1,2,2,1]) + de_b_conv3)
de_W_conv2 = weight_variable([3, 3, 32, 16])
de_b_conv2 = bias_variable([32])
de_h_conv2 = tf.nn.relu(de_conv2d(de_h_conv3, de_W_conv2, [batch_size, WIDTH//2, HEIGHT//2, 32], [1,2,2,1]) + de_b_conv2)
de_W_conv1 = weight_variable([3, 3, 3, 32])
de_b_conv1 = bias_variable([3])
de_h_conv1 = tf.nn.relu(de_conv2d(de_h_conv2, de_W_conv1, [batch_size, WIDTH, HEIGHT, 3], [1,2,2,1]) + de_b_conv1)
####結果
Lossが0.003以下になると、学習を中止します。
きゅうりの分類が2L(正常)とC(異常)のデータ各50枚を使って検証してみました。
Lossが学習時Lossの95%信頼区間の1.2倍を超える場合は異常と認識します。
precision recall f1-score support
0 0.74 0.78 0.76 50
1 0.77 0.72 0.74 50
avg / total 0.75 0.75 0.75 100
[[39 11]
[14 36]]
正解率は75%です。
最後に、生成した画像を見ましょう。
Origin: 
Faked: 
