Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks

要約

この研究では、実世界の画像に対する新しい異常検出 (AD) アプローチが提案されています。
この方法は、教師なし学習の理論的な強みと、正常クラスと異常クラスの両方のデータ可用性を活用します。
AD は、多くの場合、データセットの頻繁な不均衡な性質と、異常なクラス全体をキャプチャするという課題によって動機付けられた教師なしタスクとして定式化されます。
このような方法は、トレーニング中に通常の画像にのみ依存し、たとえば、オートエンコーダー アーキテクチャを介して再構築することに専念します。
ただし、異常なデータに含まれる情報は、この再構築にも役立ちます。
実際、モデルは、異常な (または正常な) 画像を正常な (または異常な) 画像に変換する方法をより適切に学習することで、その弱点を特定できます。
これらの各タスクは、モデル全体が単一の法線から法線への再構築よりも高い精度で学習するのに役立ちます。
この課題に対処するために、提案された方法は、異常から正常への変換に Cycle-Generative Adversarial Networks (Cycle-GAN) を利用します。
私たちの知る限りでは、Cycle-GAN がこの目的のために研究されたのはこれが初めてです。
入力画像が法線ジェネレーターによって再構成された後、異常スコアは入力画像と再構成された画像の違いを表します。
ビジネス品質の制約で設定されたしきい値に基づいて、入力画像に正常または異常のフラグが付けられます。
提案された方法は、バランスの取れたデータセットのケースや、わずか 30 の異常な画像があるケースなど、工業用および医療用の画像で評価されます。
結果は、すべての種類の異常、特にメソッドが 97.2% の平均精度に達するテクスチャ形状の画像に対して、正確なパフォーマンスと優れた一般化を示しています (追加のゼロ偽陰性制約で 85.4%)。

要約(オリジナル)

In this study, a new Anomaly Detection (AD) approach for real-world images is proposed. This method leverages the theoretical strengths of unsupervised learning and the data availability of both normal and abnormal classes. The AD is often formulated as an unsupervised task motivated by the frequent imbalanced nature of the datasets, as well as the challenge of capturing the entirety of the abnormal class. Such methods only rely on normal images during training, which are devoted to be reconstructed through an autoencoder architecture for instance. However, the information contained in the abnormal data is also valuable for this reconstruction. Indeed, the model would be able to identify its weaknesses by better learning how to transform an abnormal (or normal) image into a normal (or abnormal) image. Each of these tasks could help the entire model to learn with higher precision than a single normal to normal reconstruction. To address this challenge, the proposed method utilizes Cycle-Generative Adversarial Networks (Cycle-GANs) for abnormal-to-normal translation. To the best of our knowledge, this is the first time that Cycle-GANs have been studied for this purpose. After an input image has been reconstructed by the normal generator, an anomaly score describes the differences between the input and reconstructed images. Based on a threshold set with a business quality constraint, the input image is then flagged as normal or not. The proposed method is evaluated on industrial and medical images, including cases with balanced datasets and others with as few as 30 abnormal images. The results demonstrate accurate performance and good generalization for all kinds of anomalies, specifically for texture-shaped images where the method reaches an average accuracy of 97.2% (85.4% with an additional zero false negative constraint).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google