本代码主要是对 One-Class Convolutional Neural Network 这篇代码的复现，该论文的思想比较新奇，而且对于测试集检测有着不错的效果。
====================================================================
这里特别感谢 otkupjnoz 论文作者提供的源码 和 andy6804tw (Yi Lin Tsai )的帮助
====================================================================
网络结构可以说十分的简单，Feature Extractor就是一个经典的 VGG or Alexnet or ResNet ！！！
Feature Extractor： 相当于对图片的一个编码，最终会得到一个向量编码。
Gaussian： 利用均值为0，标准差为0.1的高斯噪声，生成同等维度的编码向量，充当负样本编码后的向量。
然后把 Feature Extractor 和 Gaussian 的结果进行Concate喂给 Classifier 进行分类。
# ------------------------------------------ #
# 采用预训练模型
# ------------------------------------------ #
backbone = models.vgg16(pretrained=True)
......
# ------------------------------------------ #
# 只训练分类器部分
# ------------------------------------------ #
optimizer = optim.Adam(model.classifier.parameters(), lr=args.lr)
lr_scheduler = optim.lr_scheduler.StepLR(optimizer, step_size=1, gamma=0.94) 对于该模型的训练，刚开始的时候自己陷入了误区 (就是没有认真看论文) , 我训练了整个网络，也没有使用预训练模型，导致训练了很多 epoch 后测试精度一直不变，看什么图片都是猫。（X）
针对都是猫的问题，我认为训练时两个编码进行 concate 的方式相同会造成网络偷懒（个人感觉）：
---- 采用 Dropout：测试精度并没有发生什么变化 （X）
---- 拼接后打乱顺序：测试精度发生变化 ， 但是还是很差，说明有点作用**（/）**
@staticmethod
def shuffle(img, labels):
shuffle = torch.randperm(img.shape[0])
img = img[shuffle, ...]
labels = labels[shuffle]
return img, labels在训练方式都设置好之后，发现测试效果还是很差，各种尝试后还是不行，所以有点烦躁。
后来经过思考和查阅资料，于是就在训练集中加入了少许的负样本，最后达到了不错的测试准确率。
附图：
混淆矩阵：
可视化：
address: https://pan.baidu.com/s/13aJrV7JUGGT02LnEbxt1IQ pw: izpx