Industrial and Medical Anomaly Detection Through Cycle-Consistent Adversarial Networks

要約

この研究では、産業用および医療用画像に対する新しい異常検出 (AD) アプローチを提案します。
この方法は、教師なし学習の理論上の強みと、正常クラスと異常クラスの両方のデータの可用性を活用します。
実際、AD は教師なしタスクとして定式化されることが多く、トレーニング中に通常の画像のみを意味します。
これらの通常の画像は、たとえばオートエンコーダ アーキテクチャを通じて再構築されるために使用されます。
ただし、異常データに含まれる情報が利用可能な場合は、この再構成にも役立ちます。
モデルは、異常な (それぞれ正常な) 画像を正常な (それぞれ異常な) 画像に変換する方法をより適切に学習することで、その弱点を特定できるようになり、単一の正常から正常への再構成よりもモデル全体の学習が向上します。
この課題に対処するために、提案された方法では、(異常)正規から正規への変換に Cycle-Generative Adversarial Networks (Cycle-GAN) を使用します。
入力画像が通常のジェネレーターによって再構築された後、異常スコアによって入力とその再構築の間の差異が定量化されます。
ビジネス品質の制約を満たすように設定されたしきい値に基づいて、入力画像に正常かどうかのフラグが付けられます。
提案された方法は産業および医療データセットで評価されます。
結果は、最先端の手法と比較して、偽陰性制約がゼロで正確なパフォーマンスを示しています。
コードは https://github.com/ValDelch/CycleGANS-AnomalyDetection で入手できます。

要約(オリジナル)

In this study, a new Anomaly Detection (AD) approach for industrial and medical images is proposed. This method leverages the theoretical strengths of unsupervised learning and the data availability of both normal and abnormal classes. Indeed, the AD is often formulated as an unsupervised task, implying only normal images during training. These normal images are devoted to be reconstructed, through an autoencoder architecture for instance. However, the information contained in abnormal data, when available, is also valuable for this reconstruction. The model would be able to identify its weaknesses by better learning how to transform an abnormal (respectively normal) image into a normal (respectively abnormal) one, helping the entire model to learn better than a single normal to normal reconstruction. To address this challenge, the proposed method uses Cycle-Generative Adversarial Networks (Cycle-GAN) for (ab)normal-to-normal translation. After an input image has been reconstructed by the normal generator, an anomaly score quantifies the differences between the input and its reconstruction. Based on a threshold set to satisfy a business quality constraint, the input image is then flagged as normal or not. The proposed method is evaluated on industrial and medical datasets. The results demonstrate accurate performance with a zero false negative constraint compared to state-of-the-art methods. The code is available at https://github.com/ValDelch/CycleGANS-AnomalyDetection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google