U-Flow: A U-shaped Normalizing Flow for Anomaly Detection with Unsupervised Threshold

要約

この作業では、画像の異常検出とセグメンテーションのための非対照的な方法を提案します。これは、最新の機械学習アプローチとより古典的な統計的検出理論の両方から恩恵を受けます。
この方法は 3 つのフェーズで構成されています。
まず、マルチスケール画像 Transformer アーキテクチャを利用して特徴を抽出します。
次に、これらの特徴は U 字型の正規化フローに送られ、最終フェーズの理論的基礎が築かれ、ピクセルレベルの異常マップが計算され、逆フレームワークに基づいてセグメンテーションが実行されます。
この複数の仮説テスト戦略により、運用ポイントが必要な多くの実世界のアプリケーションで重要な、堅牢な自動検出しきい値を導き出すことができます。
セグメンテーションの結果は、Intersection over Union (IoU) メトリックを使用して評価され、生成された異常マップを評価するために、画像レベルとピクセル レベルの両方で受信者動作特性曲線 (ROC-AUC) の下の領域を報告します。
両方の指標について、提案されたアプローチは最先端の結果を生み出し、ほとんどの MvTec-AD カテゴリで 1 位にランクされ、平均ピクセル レベル ROC-AUC は 98.74% でした。
コードとトレーニング済みモデルは、https://github.com/mtailanian/uflow で入手できます。

要約(オリジナル)

In this work we propose a non-contrastive method for anomaly detection and segmentation in images, that benefits both from a modern machine learning approach and a more classic statistical detection theory. The method consists of three phases. First, features are extracted by making use of a multi-scale image Transformer architecture. Then, these features are fed into a U-shaped Normalizing Flow that lays the theoretical foundations for the last phase, which computes a pixel-level anomaly map, and performs a segmentation based on the a contrario framework. This multiple hypothesis testing strategy permits to derive a robust automatic detection threshold, which is key in many real-world applications, where an operational point is needed. The segmentation results are evaluated using the Intersection over Union (IoU) metric, and for assessing the generated anomaly maps we report the area under the Receiver Operating Characteristic curve (ROC-AUC) at both image and pixel level. For both metrics, the proposed approach produces state-of-the-art results, ranking first in most MvTec-AD categories, with a mean pixel-level ROC- AUC of 98.74%. Code and trained models are available at https://github.com/mtailanian/uflow.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google