Deep Industrial Image Anomaly Detection: A Survey

要約

最近のディープラーニングの急速な発展は、産業用画像異常検出 (IAD) にマイルストーンをもたらしました。
このホワイト ペーパーでは、ニューラル ネットワーク アーキテクチャ、監視レベル、損失関数、メトリック、およびデータセットの観点から、ディープ ラーニング ベースの画像異常検出手法の包括的なレビューを提供します。
さらに、工業生産から新しい設定を抽出し、提案された新しい設定の下で現在の IAD アプローチを確認します。
さらに、画像の異常検出に関するいくつかの未解決の課題を強調します。
さまざまな管理下にある代表的なネットワーク アーキテクチャのメリットとデメリットについて説明します。
最後に、研究結果をまとめ、今後の研究の方向性を指摘します。
その他のリソースは、https://github.com/M-3LAB/awesome-industrial-anomaly-detection で入手できます。

要約(オリジナル)

The recent rapid development of deep learning has laid a milestone in industrial Image Anomaly Detection (IAD). In this paper, we provide a comprehensive review of deep learning-based image anomaly detection techniques, from the perspectives of neural network architectures, levels of supervision, loss functions, metrics and datasets. In addition, we extract the new setting from industrial manufacturing and review the current IAD approaches under our proposed our new setting. Moreover, we highlight several opening challenges for image anomaly detection. The merits and downsides of representative network architectures under varying supervision are discussed. Finally, we summarize the research findings and point out future research directions. More resources are available at https://github.com/M-3LAB/awesome-industrial-anomaly-detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google