Adaptive Deviation Learning for Visual Anomaly Detection with Data Contamination

要約

視覚的異常検出は、正常なパターンと著しく異なる画像を検出することを目的としており、製造業における欠陥部品の特定に広く応用されています。
これらの異常検出パラダイムは主に、汚染がないことを前提として、きれいでラベルのない正常なサンプルのみを使用して検出モデルをトレーニングすることに焦点を当てています。
この条件は、現実世界のシナリオでは満たされないことがよくあります。
これらのメソッドのパフォーマンスはデータの品質に大きく依存し、通常はノイズにさらされると低下します。
個々のインスタンスの重みに相対的な重要性を割り当てることでデータ汚染に対処しながら、異常スコアをエンドツーエンドで計算する偏差学習を採用した体系的な適応手法を導入します。
このアプローチでは、正常なインスタンスの異常スコアは、既知の事前分布から得られるスカラー スコアに近似するように設計されています。
一方、異常例の異常スコアは、これらの基準スコアから統計的に有意な偏差を示すように調整されます。
私たちのアプローチでは、偏差学習フレームワーク内に制約付き最適化問題を組み込んでインスタンスの重みを更新し、ミニバッチごとにこの問題を解決します。
MVTec および VisA ベンチマーク データセットに関する包括的な実験により、提案された手法が競合技術を上回り、データ汚染の存在下でも安定性と堅牢性の両方を示すことが示されました。

要約(オリジナル)

Visual anomaly detection targets to detect images that notably differ from normal pattern, and it has found extensive application in identifying defective parts within the manufacturing industry. These anomaly detection paradigms predominantly focus on training detection models using only clean, unlabeled normal samples, assuming an absence of contamination; a condition often unmet in real-world scenarios. The performance of these methods significantly depends on the quality of the data and usually decreases when exposed to noise. We introduce a systematic adaptive method that employs deviation learning to compute anomaly scores end-to-end while addressing data contamination by assigning relative importance to the weights of individual instances. In this approach, the anomaly scores for normal instances are designed to approximate scalar scores obtained from the known prior distribution. Meanwhile, anomaly scores for anomaly examples are adjusted to exhibit statistically significant deviations from these reference scores. Our approach incorporates a constrained optimization problem within the deviation learning framework to update instance weights, resolving this problem for each mini-batch. Comprehensive experiments on the MVTec and VisA benchmark datasets indicate that our proposed method surpasses competing techniques and exhibits both stability and robustness in the presence of data contamination.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google