CableInspect-AD: An Expert-Annotated Anomaly Detection Dataset

要約

機械学習モデルは、現実世界のコンテキストに導入されることが増えています。
しかし、特定の重要な用途への応用可能性に関する体系的な研究は、研究文献では過小評価されています。
重要な例は、ロボットによる電力線検査のための視覚的異常検出 (VAD) です。
既存の VAD 手法は制御された環境では良好に機能しますが、現実世界のシナリオでは、現在のデータセットでは捕捉できない多様で予期せぬ異常が発生します。
このギャップに対処するために、$\textit{CableInspect-AD}$ を導入します。$\textit{CableInspect-AD}$ は、カナダの公共事業会社である Hydro-Qu\’ebec のドメイン専門家によって作成され、注釈が付けられた、高品質で公開されているデータセットです。
このデータセットには、現実世界の困難な異常を含む高解像度画像が含まれており、さまざまな重大度レベルの欠陥をカバーしています。
検出閾値を設定するために多様な異常例や名目例を収集するという課題に対処するために、有名な PatchCore アルゴリズムの機能強化を提案します。
この機能強化により、ラベル付きデータが限られたシナリオでの使用が可能になります。
また、モデルのパフォーマンスを評価するための相互検証に基づく包括的な評価プロトコルも紹介します。
少数ショットおよび多数ショットの検出については $\textit{Enhanced-PatchCore}$ を評価し、ゼロショットの検出についてはビジョン言語モデルを評価します。
これらのモデルは有望ではありますが、すべての異常を検出するのに苦労しており、より広範な研究コミュニティにとって挑戦的なベンチマークとしてのデータセットの価値が強調されています。
プロジェクトページ: https://mila-iqia.github.io/cableinspect-ad/。

要約(オリジナル)

Machine learning models are increasingly being deployed in real-world contexts. However, systematic studies on their transferability to specific and critical applications are underrepresented in the research literature. An important example is visual anomaly detection (VAD) for robotic power line inspection. While existing VAD methods perform well in controlled environments, real-world scenarios present diverse and unexpected anomalies that current datasets fail to capture. To address this gap, we introduce $\textit{CableInspect-AD}$, a high-quality, publicly available dataset created and annotated by domain experts from Hydro-Qu\’ebec, a Canadian public utility. This dataset includes high-resolution images with challenging real-world anomalies, covering defects with varying severity levels. To address the challenges of collecting diverse anomalous and nominal examples for setting a detection threshold, we propose an enhancement to the celebrated PatchCore algorithm. This enhancement enables its use in scenarios with limited labeled data. We also present a comprehensive evaluation protocol based on cross-validation to assess models’ performances. We evaluate our $\textit{Enhanced-PatchCore}$ for few-shot and many-shot detection, and Vision-Language Models for zero-shot detection. While promising, these models struggle to detect all anomalies, highlighting the dataset’s value as a challenging benchmark for the broader research community. Project page: https://mila-iqia.github.io/cableinspect-ad/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google