Collaborative Discrepancy Optimization for Reliable Image Anomaly Localization

要約

ほとんどの教師なし画像異常位置特定方法は、畳み込みニューラル ネットワークの一般化能力が高いため、過度の一般化に悩まされ、信頼性の低い予測につながります。
過度の一般化を軽減するために、この研究では、合成異常、つまり協調的不一致最適化 (CDO) の助けを借りて、正常および異常な特徴分布を協調的に最適化することを提案しています。
CDO は、マージン最適化モジュールとオーバーラップ最適化モジュールを導入して、ローカリゼーションのパフォーマンスを決定する 2 つの重要な要因、つまり正常サンプルと異常サンプルの不一致分布 (DD) 間のマージンとオーバーラップを最適化します。
CDO を使用すると、正常な DD と異常な DD の間で大きなマージンと小さなオーバーラップが得られ、予測の信頼性が向上します。
MVTec2D と MVTec3D の実験では、CDO が過剰な一般化を効果的に軽減し、リアルタイムの計算効率で優れた異常位置特定パフォーマンスを達成することが示されています。
実際の自動車用プラスチック部品検査アプリケーションは、提案された CDO の機能をさらに実証します。
コードは https://github.com/caoyunkang/CDO で入手できます。

要約(オリジナル)

Most unsupervised image anomaly localization methods suffer from overgeneralization because of the high generalization abilities of convolutional neural networks, leading to unreliable predictions. To mitigate the overgeneralization, this study proposes to collaboratively optimize normal and abnormal feature distributions with the assistance of synthetic anomalies, namely collaborative discrepancy optimization (CDO). CDO introduces a margin optimization module and an overlap optimization module to optimize the two key factors determining the localization performance, i.e., the margin and the overlap between the discrepancy distributions (DDs) of normal and abnormal samples. With CDO, a large margin and a small overlap between normal and abnormal DDs are obtained, and the prediction reliability is boosted. Experiments on MVTec2D and MVTec3D show that CDO effectively mitigates the overgeneralization and achieves great anomaly localization performance with real-time computation efficiency. A real-world automotive plastic parts inspection application further demonstrates the capability of the proposed CDO. Code is available on https://github.com/caoyunkang/CDO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google