Optimizing PatchCore for Few/many-shot Anomaly Detection

要約

少数ショット異常検出 (AD) は、一般的な AD の新たなサブ分野であり、選択された少数のサンプルのみを使用して正常なデータと異常なデータを区別しようとします。
新しく提案された少数ショット AD 手法は、ベースラインとしてフルショット領域用に開発された既存のアルゴリズムと比較しますが、少数ショット設定専用に最適化するわけではありません。
したがって、そのような既存のアルゴリズムのパフォーマンスをさらに改善できるかどうかは不明のままです。
この作品ではその疑問に答えます。
具体的には、現在の最先端のフルショット AD/AS アルゴリズムである PatchCore の AD/異常セグメンテーション (AS) パフォーマンスに関する研究を、少数ショット設定と多数ショット設定の両方で示します。
我々は、(I) さまざまなハイパーパラメータを最適化し、(II) 少数ショットの教師あり学習を改善することが知られている技術を AD ドメインに移すことで、さらなるパフォーマンスの向上を実現できると仮説を立てています。
公開されている VisA および MVTec AD データセットに対する徹底的な実験により、(I) 基礎となる特徴抽出機能などのハイパーパラメータを最適化することで大幅なパフォーマンスの向上を実現できること、および (II) 画像レベルの拡張によってパフォーマンスが向上する可能性はあるが、保証されるわけではないことが明らかになりました。
これらの発見に基づいて、我々は VisA 上の少数ショット AD における新しい最先端技術を達成し、既存の AD/AS 手法を少数ショット設定に適応させる利点をさらに実証します。
最後に、（少数ショットの）AD/AS の将来の研究の可能性として、強い帰納的バイアスを持つ特徴抽出器の研究を特定します。

要約(オリジナル)

Few-shot anomaly detection (AD) is an emerging sub-field of general AD, and tries to distinguish between normal and anomalous data using only few selected samples. While newly proposed few-shot AD methods do compare against pre-existing algorithms developed for the full-shot domain as baselines, they do not dedicatedly optimize them for the few-shot setting. It thus remains unclear if the performance of such pre-existing algorithms can be further improved. We address said question in this work. Specifically, we present a study on the AD/anomaly segmentation (AS) performance of PatchCore, the current state-of-the-art full-shot AD/AS algorithm, in both the few-shot and the many-shot settings. We hypothesize that further performance improvements can be realized by (I) optimizing its various hyperparameters, and by (II) transferring techniques known to improve few-shot supervised learning to the AD domain. Exhaustive experiments on the public VisA and MVTec AD datasets reveal that (I) significant performance improvements can be realized by optimizing hyperparameters such as the underlying feature extractor, and that (II) image-level augmentations can, but are not guaranteed, to improve performance. Based on these findings, we achieve a new state of the art in few-shot AD on VisA, further demonstrating the merit of adapting pre-existing AD/AS methods to the few-shot setting. Last, we identify the investigation of feature extractors with a strong inductive bias as a potential future research direction for (few-shot) AD/AS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google