SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification

要約

タイトル：SLSG：より良い特徴埋め込みと一クラス分類の学習による産業用画像異常検知

要約：
– 産業用画像異常検知は、一クラス分類の設定で重要な実用的な価値を持っています。
– しかし、ほとんどの既存のモデルは、特徴の埋め込みを実行する際に分離可能な特徴表現を抽出することが困難であり、一クラス分類を実行する際に正常な特徴のコンパクトな説明を構築するのが難しいため、論理的な関係を破る論理的な異常を検出するのが困難です。
– 効果的かつ包括的な異常検知に焦点を当て、自己教師あり学習と自己注意グラフ畳み込み（SLSG）に基づく異常検知のネットワークを提案しています。
– SLSGは、正常なパターンの埋め込みと位置関係の推論を学習するために生成前トレーニングネットワークをエンコーダーに支援させます。
– 次に、SLSGは、模擬異常サンプルを介して異常の疑似事前知識を導入します。模擬異常を比較することで、SLSGは正常特徴をより良く集約し、一クラス分類に使用される超球体を狭めることができます。
– さらに、より一般的なグラフ構造の構築により、SLSGは画像内の要素間の密集および疎な関係を包括的にモデル化し、論理的な異常の検出をさらに強化します。
– ベンチマークデータセットでの広範な実験により、SLSGは優れた異常検知性能を達成し、当社の方法の効果を証明しています。

要約(オリジナル)

Industrial image anomaly detection under the setting of one-class classification has significant practical value. However, most existing models struggle to extract separable feature representations when performing feature embedding and struggle to build compact descriptions of normal features when performing one-class classification. One direct consequence of this is that most models perform poorly in detecting logical anomalies which violate contextual relationships. Focusing on more effective and comprehensive anomaly detection, we propose a network based on self-supervised learning and self-attentive graph convolution (SLSG) for anomaly detection. SLSG uses a generative pre-training network to assist the encoder in learning the embedding of normal patterns and the reasoning of position relationships. Subsequently, SLSG introduces the pseudo-prior knowledge of anomaly through simulated abnormal samples. By comparing the simulated anomalies, SLSG can better summarize the normal features and narrow down the hypersphere used for one-class classification. In addition, with the construction of a more general graph structure, SLSG comprehensively models the dense and sparse relationships among elements in the image, which further strengthens the detection of logical anomalies. Extensive experiments on benchmark datasets show that SLSG achieves superior anomaly detection performance, demonstrating the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI