Neural Architecture Search for Visual Anomaly Segmentation

要約

タイトル：ビジュアル異常セグメンテーションのためのニューラルアーキテクチャ検索
要約：
– ビジュアル異常をセグメントするという複雑なタスクに、初めてニューラルアーキテクチャ検索を適用した研究
– 異常ピクセルの不均衡、領域のサイズ変動、異常の種類によって、異常セグメンテーションのパフォーマンス測定が困難である
– 新しい指標であるrwAPメトリックを提案し、既存のメトリックに限定されないことが特徴
– AutoPatchニューラルアーキテクチャ検索法を提案し、トレーニングなしで効率的な異常セグメンテーションが可能となる
– 事前学習されたスーパーネットを活用し、ブラックボックス最適化アルゴリズムを用いて、異常の小さな検証セットの性能を最大化
– MVTecデータセットにおいて、AutoPatchが1種類の異常ごとに1つの例を使用しながら、より低い計算複雑性で現在の最先端を上回る成果を達成
– 自動化された機械学習による産業品質管理のスループット最適化の可能性について、注目すべき成果が示された
– AutoPatchのコードは、https://github.com/tommiekerssies/AutoPatchで入手可能。

要約(オリジナル)

This paper presents the first application of neural architecture search to the complex task of segmenting visual anomalies. Measurement of anomaly segmentation performance is challenging due to imbalanced anomaly pixels, varying region areas, and various types of anomalies. First, the region-weighted Average Precision (rwAP) metric is proposed as an alternative to existing metrics, which does not need to be limited to a specific maximum false positive rate. Second, the AutoPatch neural architecture search method is proposed, which enables efficient segmentation of visual anomalies without any training. By leveraging a pre-trained supernet, a black-box optimization algorithm can directly minimize computational complexity and maximize performance on a small validation set of anomalous examples. Finally, compelling results are presented on the widely studied MVTec dataset, demonstrating that AutoPatch outperforms the current state-of-the-art with lower computational complexity, using only one example per type of anomaly. The results highlight the potential of automated machine learning to optimize throughput in industrial quality control. The code for AutoPatch is available at: https://github.com/tommiekerssies/AutoPatch

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI