IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing

要約

画像異常検出 (IAD) は、工業製造 (IM) における新たな重要なコンピューター ビジョン タスクです。
最近、多くの高度なアルゴリズムが報告されていますが、それらのパフォーマンスはさまざまな IM 設定によって大きく異なります。
私たちは、統一された IM ベンチマークの欠如が、現実世界のアプリケーションにおける IAD 手法の開発と使用を妨げていることを認識しています。
さらに、研究者にとって、統一されたベンチマークがなければ IAD アルゴリズムを分析することは困難です。
この問題を解決するために、これらのアルゴリズムがどの程度うまく機能するかを評価するための統一 IM ベンチマークを初めて提案します。これには、さまざまなレベルの監視 (非監視対完全監視)、学習パラダイム (少数ショット、継続的、ノイズの多いラベル) が含まれます。
、効率 (メモリ使用量と推論速度)。
次に、統一された設定を持つ 7 つの主要なデータセットに対する 19 のアルゴリズムを含む、包括的な画像異常検出ベンチマーク (IM-IAD) を構築します。
IM-IAD に関する広範な実験 (合計 17,017) により、IAD アルゴリズムの再設計または選択についての深い洞察が得られます。
さらに、提案された IM-IAD ベンチマークは既存のアルゴリズムに挑戦し、将来の研究の方向性を示唆しています。
再現性とアクセシビリティを高めるために、IM-IAD のソース コードは Web サイト (https://github.com/M-3LAB/IM-IAD) にアップロードされています。

要約(オリジナル)

Image anomaly detection (IAD) is an emerging and vital computer vision task in industrial manufacturing (IM). Recently, many advanced algorithms have been reported, but their performance deviates considerably with various IM settings. We realize that the lack of a uniform IM benchmark is hindering the development and usage of IAD methods in real-world applications. In addition, it is difficult for researchers to analyze IAD algorithms without a uniform benchmark. To solve this problem, we propose a uniform IM benchmark, for the first time, to assess how well these algorithms perform, which includes various levels of supervision (unsupervised versus fully supervised), learning paradigms (few-shot, continual and noisy label), and efficiency (memory usage and inference speed). Then, we construct a comprehensive image anomaly detection benchmark (IM-IAD), which includes 19 algorithms on seven major datasets with a uniform setting. Extensive experiments (17,017 total) on IM-IAD provide in-depth insights into IAD algorithm redesign or selection. Moreover, the proposed IM-IAD benchmark challenges existing algorithms and suggests future research directions. To foster reproducibility and accessibility, the source code of IM-IAD is uploaded on the website, https://github.com/M-3LAB/IM-IAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google