Industrial Anomaly Detection with Domain Shift: A Real-world Dataset and Masked Multi-scale Reconstruction

要約

タイトル：ドメインシフトを伴う産業用異常検出：実世界のデータセットとマスクされたマルチスケール再構成
要約：

– 産業用異常検出(IAD)は、産業品質検査の自動化に必要不可欠である。データセットの多様性は、包括的なIADアルゴリズムの開発の基盤である。
– 既存のIADデータセットは、データカテゴリの多様性に注目しており、同じデータカテゴリ内のドメインの多様性を見落としている。
– この論文では、このギャップを埋めるために、AeBADデータセットを提案する。AeBADは、以下の2つの特徴を持つ：1）ターゲットサンプルは整列されておらず、さまざまなスケールを持っている。2）テストセット内の正常サンプルの分布とトレーニングセットの正常サンプルの分布にドメインシフトがあり、主に照明と視点の変化によって引き起こされている。
– このデータセットを基に、現在の最先端のIADメソッドは、テストセット内の正常サンプルのドメインがシフトした場合に制限があることがわかった。これに対処するために、マスクされたマルチスケール再構成（MMR）という新しい手法を提案する。MMRは、マスクされた再構成タスクによって、正常なサンプルのパッチ間の因果関係を推論するモデルの能力を強化する。MMRは、AeBADデータセットにおいて、SOTA手法よりも優れた性能を発揮する。さらに、MMRは、MVTec ADデータセット上でさまざまな種類の異常を検出するためのSOTA手法と競合する性能を発揮する。
– コードとデータセットは、https://github.com/zhangzilongc/MMRで入手できる。

要約(オリジナル)

Industrial anomaly detection (IAD) is crucial for automating industrial quality inspection. The diversity of the datasets is the foundation for developing comprehensive IAD algorithms. Existing IAD datasets focus on the diversity of data categories, overlooking the diversity of domains within the same data category. In this paper, to bridge this gap, we propose the Aero-engine Blade Anomaly Detection (AeBAD) dataset, consisting of two sub-datasets: the single-blade dataset and the video anomaly detection dataset of blades. Compared to existing datasets, AeBAD has the following two characteristics: 1.) The target samples are not aligned and at different scales. 2.) There is a domain shift between the distribution of normal samples in the test set and the training set, where the domain shifts are mainly caused by the changes in illumination and view. Based on this dataset, we observe that current state-of-the-art (SOTA) IAD methods exhibit limitations when the domain of normal samples in the test set undergoes a shift. To address this issue, we propose a novel method called masked multi-scale reconstruction (MMR), which enhances the model’s capacity to deduce causality among patches in normal samples by a masked reconstruction task. MMR achieves superior performance compared to SOTA methods on the AeBAD dataset. Furthermore, MMR achieves competitive performance with SOTA methods to detect the anomalies of different types on the MVTec AD dataset. Code and dataset are available at https://github.com/zhangzilongc/MMR.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI