Efficient Anomaly Detection Using Self-Supervised Multi-Cue Tasks

要約

異常検出は、多くの実際のアプリケーションで重要です。
最近、自己教師あり学習は、いくつかの幾何学的変換を認識することにより、深い異常検出に大いに役立ちました。
ただし、これらの方法には細かい機能がなく、通常は異常の種類に大きく依存し、きめの細かい問題ではうまく機能しません。
これらの問題に対処するために、最初にこの作業で、補完的な強みを持つ3つの斬新で効率的な識別的および生成的なタスクを紹介します。
(ii) 測色情報を考慮して、各ピース内でティント回転認識が使用されます。
(iii) 部分的な再色付けタスクでは、画像テクスチャが考慮されます。
再色付けタスクを背景指向よりもオブジェクト指向にするために、アテンションメカニズムを介して画像境界のコンテキストカラー情報を含めることを提案します。
次に、新しい分布外検出機能を提示し、既存の方法と比較して優れた安定性を強調します。
それに伴い、さまざまなスコア融合機能も実験しています。
最後に、オブジェクトの異常、きめ細かい分類によるスタイルの異常から、顔のなりすまし防止データセットを備えたローカルの異常まで、さまざまな異常の種類で構成される広範なプロトコルでメソッドを評価します。
私たちのモデルは、オブジェクトの異常で最大 36% の相対エラーの改善、顔のなりすまし防止の問題で最大 40% の改善で、最先端のモデルよりも大幅に優れています。

要約(オリジナル)

Anomaly detection is important in many real-life applications. Recently, self-supervised learning has greatly helped deep anomaly detection by recognizing several geometric transformations. However these methods lack finer features, usually highly depend on the anomaly type, and do not perform well on fine-grained problems. To address these issues, we first introduce in this work three novel and efficient discriminative and generative tasks which have complementary strength: (i) a piece-wise jigsaw puzzle task focuses on structure cues; (ii) a tint rotation recognition is used within each piece, taking into account the colorimetry information; (iii) and a partial re-colorization task considers the image texture. In order to make the re-colorization task more object-oriented than background-oriented, we propose to include the contextual color information of the image border via an attention mechanism. We then present a new out-of-distribution detection function and highlight its better stability compared to existing methods. Along with it, we also experiment different score fusion functions. Finally, we evaluate our method on an extensive protocol composed of various anomaly types, from object anomalies, style anomalies with fine-grained classification to local anomalies with face anti-spoofing datasets. Our model significantly outperforms state-of-the-art with up to 36% relative error improvement on object anomalies and 40% on face anti-spoofing problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google