Patch-wise Auto-Encoder for Visual Anomaly Detection

要約

異常の事前情報を持たない異常検出は困難です。
教師なし異常検出の分野では、通常の画像のみでトレーニングするとモデルが異常な画像を正しく再構成できないという想定に基づいて、従来のオートエンコーダー (AE) が失敗する傾向があります。
それどころか、我々は、異常に対する AE の再構成能力を弱めるのではなく強化することを目的とした、新しいパッチごとの自動エンコーダ (パッチ AE) フレームワークを提案します。
画像の各パッチは、学習された特徴表現の対応する空間的に分布した特徴ベクトルによって再構築されます。つまり、パッチごとの再構築により、AE の異常感度が保証されます。
私たちの方法はシンプルで効率的です。
これにより、Mvtec AD ベンチマークの最先端のパフォーマンスが向上し、モデルの有効性が証明されました。
実際の産業応用シナリオにおいて大きな可能性を示します。

要約(オリジナル)

Anomaly detection without priors of the anomalies is challenging. In the field of unsupervised anomaly detection, traditional auto-encoder (AE) tends to fail based on the assumption that by training only on normal images, the model will not be able to reconstruct abnormal images correctly. On the contrary, we propose a novel patch-wise auto-encoder (Patch AE) framework, which aims at enhancing the reconstruction ability of AE to anomalies instead of weakening it. Each patch of image is reconstructed by corresponding spatially distributed feature vector of the learned feature representation, i.e., patch-wise reconstruction, which ensures anomaly-sensitivity of AE. Our method is simple and efficient. It advances the state-of-the-art performances on Mvtec AD benchmark, which proves the effectiveness of our model. It shows great potential in practical industrial application scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google