Adapting the Hypersphere Loss Function from Anomaly Detection to Anomaly Segmentation

要約

完全畳み込みデータ記述 (FCDD) の漸進的な改善を提案します。これは、異常検出から画像異常セグメンテーション (別名異常ローカリゼーション) への 1 クラス分類アプローチの適応です。
元の損失関数を分析し、その前身である Hypersphere Classifier (HSC) によりよく似た代用品を提案します。
どちらも MVTec Anomaly Detection Dataset (MVTec-AD) で比較されます。トレーニング画像は完璧なオブジェクト/テクスチャであり、目標は目に見えない欠陥をセグメント化することです。ピクセル単位の監視をより適切に設計することで、一貫した改善が達成されることを示しています。

要約(オリジナル)

We propose an incremental improvement to Fully Convolutional Data Description (FCDD), an adaptation of the one-class classification approach from anomaly detection to image anomaly segmentation (a.k.a. anomaly localization). We analyze its original loss function and propose a substitute that better resembles its predecessor, the Hypersphere Classifier (HSC). Both are compared on the MVTec Anomaly Detection Dataset (MVTec-AD) — training images are flawless objects/textures and the goal is to segment unseen defects — showing that consistent improvement is achieved by better designing the pixel-wise supervision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google