SoftPatch+: Fully Unsupervised Anomaly Classification and Segmentation

要約

主流の教師なし異常検出 (AD) (画像レベルの分類やピクセル レベルのセグメンテーションを含む) アルゴリズムは、学術データセットでは良好なパフォーマンスを発揮しますが、クリーンなトレーニング データの理想的な実験設定により、実用化ではパフォーマンスが制限されます。
ノイズの多いデータを使用したトレーニングは、現実世界の異常検出において避けられない問題ですが、ほとんど議論されません。
この論文は、完全に教師なしの産業異常検出 (つまり、ノイズの多いデータを含む教師なし AD) を初めて検討したものです。
この問題を解決するために、パッチ レベルでデータのノイズを効率的に除去するメモリベースの教師なし AD 手法である SoftPatch および SoftPatch+ を提案しました。
ノイズ弁別器は、コアセット構築前にパッチレベルのノイズ除去のための外れ値スコアを生成するために利用されます。
その後、スコアはメモリ バンクに保存され、異常検出の境界が緩和されます。
既存の方法と比較して、SoftPatch は通常データの強力なモデリング能力を維持し、コアセットの過信問題を軽減します。また、SoftPatch+ は、高レベルのノイズ (10% から 40% まで) の実際の産業検査シナリオで特に役立つ、より堅牢なパフォーマンスを備えています。
%)。
さまざまなノイズ シナリオで実施された包括的な実験により、SoftPatch と SoftPatch+ の両方が、MVTecAD、ViSA、および BTAD ベンチマークで最先端の AD 手法よりも優れたパフォーマンスを発揮することが実証されました。
さらに、SoftPatch および SoftPatch+ のパフォーマンスは、従来の教師なし AD 設定におけるノイズのない手法と同等です。
提案されたメソッドのコードは、https://github.com/TencentYoutuResearch/AnomalyDetection-SoftPatch で見つけることができます。

要約(オリジナル)

Although mainstream unsupervised anomaly detection (AD) (including image-level classification and pixel-level segmentation)algorithms perform well in academic datasets, their performance is limited in practical application due to the ideal experimental setting of clean training data. Training with noisy data is an inevitable problem in real-world anomaly detection but is seldom discussed. This paper is the first to consider fully unsupervised industrial anomaly detection (i.e., unsupervised AD with noisy data). To solve this problem, we proposed memory-based unsupervised AD methods, SoftPatch and SoftPatch+, which efficiently denoise the data at the patch level. Noise discriminators are utilized to generate outlier scores for patch-level noise elimination before coreset construction. The scores are then stored in the memory bank to soften the anomaly detection boundary. Compared with existing methods, SoftPatch maintains a strong modeling ability of normal data and alleviates the overconfidence problem in coreset, and SoftPatch+ has more robust performance which is articularly useful in real-world industrial inspection scenarios with high levels of noise (from 10% to 40%). Comprehensive experiments conducted in diverse noise scenarios demonstrate that both SoftPatch and SoftPatch+ outperform the state-of-the-art AD methods on the MVTecAD, ViSA, and BTAD benchmarks. Furthermore, the performance of SoftPatch and SoftPatch+ is comparable to that of the noise-free methods in conventional unsupervised AD setting. The code of the proposed methods can be found at https://github.com/TencentYoutuResearch/AnomalyDetection-SoftPatch.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google