Attention Modules Improve Image-Level Anomaly Detection for Industrial Inspection: A DifferNet Case Study

要約

（半）自動化された外観工業検査では、ディープニューラルネットワークを含む視覚的欠陥を評価するための学習ベースのアプローチにより、高解像度画像上のピクセルサイズの小さな欠陥パターンの処理が可能になります。
これらの頻繁にまれに発生する欠陥パターンの出現は、ラベル付きデータ コーパスの一般的な必要性を説明しています。
この問題を軽減し、教師なし目視検査の最新技術を進歩させるために、この研究では、アテンション モジュールである AttentDifferNet で強化された DifferNet ベースのソリューションを提案しています。
これにより、産業検査用の 3 つの視覚的異常検出データセット (InsPLAD 欠陥、MVTec AD、および半導体ウェーハ) の画像レベルの検出および分類機能が向上します。
最先端技術と比較して、AttentDifferNet は改善された結果を達成しており、その結果は当社の定性定量的研究全体を通じて強調されています。
当社の定量的評価では、3 つのデータセットすべてを考慮した場合、DifferNet と比較して、AUROC 全体で 1.77 +/- 0.25 パーセント ポイントの平均改善が示されており、産業用検査現場のデータセットである InsPLAD-fault での SOTA 結果に達しています。
AttentDifferNet の亜種は、現在調査されているアプローチとの関連で大きな見通しを示しているため、ベースラインが策定され、野生環境と制御された環境の両方での産業異常検出に対する注意の重要性が強調されています。

要約(オリジナル)

Within (semi-)automated visual industrial inspection, learning-based approaches for assessing visual defects, including deep neural networks, enable the processing of otherwise small defect patterns in pixel size on high-resolution imagery. The emergence of these often rarely occurring defect patterns explains the general need for labeled data corpora. To alleviate this issue and advance the current state of the art in unsupervised visual inspection, this work proposes a DifferNet-based solution enhanced with attention modules: AttentDifferNet. It improves image-level detection and classification capabilities on three visual anomaly detection datasets for industrial inspection: InsPLAD-fault, MVTec AD, and Semiconductor Wafer. In comparison to the state of the art, AttentDifferNet achieves improved results, which are, in turn, highlighted throughout our quali-quantitative study. Our quantitative evaluation shows an average improvement – compared to DifferNet – of 1.77 +/- 0.25 percentage points in overall AUROC considering all three datasets, reaching SOTA results in InsPLAD-fault, an industrial inspection in-the-wild dataset. As our variants to AttentDifferNet show great prospects in the context of currently investigated approaches, a baseline is formulated, emphasizing the importance of attention for industrial anomaly detection both in the wild and in controlled environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google