Hard Nominal Example-aware Template Mutual Matching for Industrial Anomaly Detection

要約

異常検出器は、クエリ画像の未知の欠陥を検出して特定するために、工業生産で広く使用されています。
これらの検出器は公称画像でトレーニングされており、ほとんどの正常なサンプルから異常を区別することに成功しています。
ただし、ハードノミナルの例は散在しており、ほとんどの正規性から遠く離れているため、既存の異常検出器によって異常と誤解されることがよくあります。
この問題に対処するために、単純で効率的な方法を提案します。
具体的には、\textit{HETMM} は堅牢なプロトタイプ ベースの決定境界を構築することを目的としています。これにより、ハード ノミナルの例と異常を正確に区別でき、誤検出率と検出漏れ率が減少します。
さらに、\textit{HETMM} は、クエリとテンプレート セットの間で双方向の異常を相互に探索するため、論理的な異常を捉えることができます。
これは、論理的異常の検出に頻繁に失敗するほとんどの異常検出器よりも大きな利点です。
さらに、速度と精度の要求を満たすために、\textbf{P}ixel-level \textbf{T}emplate \textbf{S}election (PTS) を提案して、元のテンプレート セットを合理化します。
\textit{PTS} は、元の決定境界を維持しながら、小さなセットを形成するためにクラスターの中心とハード ノミナルの例を選択します。
5 つの実世界のデータセットに関する包括的な実験は、リアルタイムの推論速度の下で、私たちの方法が既存の進歩よりも優れたパフォーマンスを発揮することを示しています。
さらに、\textit{HETMM} は新しいサンプルを挿入することでホット アップデートできます。

要約(オリジナル)

Anomaly detectors are widely used in industrial production to detect and localize unknown defects in query images. These detectors are trained on nominal images and have shown success in distinguishing anomalies from most normal samples. However, hard-nominal examples are scattered and far apart from most normalities, they are often mistaken for anomalies by existing anomaly detectors. To address this problem, we propose a simple yet efficient method: \textbf{H}ard Nominal \textbf{E}xample-aware \textbf{T}emplate \textbf{M}utual \textbf{M}atching (HETMM). Specifically, \textit{HETMM} aims to construct a robust prototype-based decision boundary, which can precisely distinguish between hard-nominal examples and anomalies, yielding fewer false-positive and missed-detection rates. Moreover, \textit{HETMM} mutually explores the anomalies in two directions between queries and the template set, and thus it is capable to capture the logical anomalies. This is a significant advantage over most anomaly detectors that frequently fail to detect logical anomalies. Additionally, to meet the speed-accuracy demands, we further propose \textbf{P}ixel-level \textbf{T}emplate \textbf{S}election (PTS) to streamline the original template set. \textit{PTS} selects cluster centres and hard-nominal examples to form a tiny set, maintaining the original decision boundaries. Comprehensive experiments on five real-world datasets demonstrate that our methods yield outperformance than existing advances under the real-time inference speed. Furthermore, \textit{HETMM} can be hot-updated by inserting novel samples, which may promptly address some incremental learning issues.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google