Two-stream Decoder Feature Normality Estimating Network for Industrial Anomaly Detection

要約

画像再構成ベースの異常検出は、異常データセットの構築が難しいため、最近脚光を浴びています。
これらのアプローチは、トレーニング中に異常なサンプルを見ずに正常な機能をモデル化することを学習し、再構築エラーに基づいてテスト時に異常を識別することによって機能します。
ただし、これらのモデルには、特徴が無差別に伝達されるため、異常なサンプルの再構築に制限があります。
さらに、これらのアプローチは、識別可能な異常に対して明示的に最適化されていません。
これらの問題に対処するために、正常な機能と異常な機能の両方を学習するように設計された 2 ストリーム デコーダ ネットワーク (TSDN) を提案します。
さらに、異常な特徴を排除し、異常な領域の高品質な再構成を防ぐために、特徴正規性推定器 (FNE) を提案します。
標準ベンチマークでの評価では、最先端のモデルよりも優れたパフォーマンスが実証されました。

要約(オリジナル)

Image reconstruction-based anomaly detection has recently been in the spotlight because of the difficulty of constructing anomaly datasets. These approaches work by learning to model normal features without seeing abnormal samples during training and then discriminating anomalies at test time based on the reconstructive errors. However, these models have limitations in reconstructing the abnormal samples due to their indiscriminate conveyance of features. Moreover, these approaches are not explicitly optimized for distinguishable anomalies. To address these problems, we propose a two-stream decoder network (TSDN), designed to learn both normal and abnormal features. Additionally, we propose a feature normality estimator (FNE) to eliminate abnormal features and prevent high-quality reconstruction of abnormal regions. Evaluation on a standard benchmark demonstrated performance better than state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google