Towards Accurate Unified Anomaly Segmentation

要約

画像からの教師なし異常検出 (UAD) は、正常なデータ分布をモデル化することを目的としており、異常を区別して正確に位置を特定するための識別表現を作成します。
効率的で統合されたワン・フォー・オール方式の最近の進歩にも関わらず、さらなる監視のために異常を正確にセグメント化するという課題は依然として残っています。
さらに、この問題は、不均衡な UAD 設定の下で広く使用されている AUROC メトリクスによって不明瞭になります。
このため、pAP と DSC をメトリクスとして使用して異常ピクセルを正確にセグメンテーションすることの重要性を強調するようになりました。
未解決のセグメンテーション タスクに対処するために、Unified Anomaly Segmentation (UniAS) を導入します。
UniAS は、粗いものから細かいものまで法線情報を段階的に強化するマルチレベルのハイブリッド パイプラインを提供し、新しい多粒度ゲート CNN (MGG-CNN) を Transformer レイヤーに組み込んで、さまざまな粒度から局所的な詳細を明示的に集約します。
UniAS は最先端の異常セグメンテーション パフォーマンスを実現し、MVTec-AD および VisA データセット上の pAP/DSC でそれぞれ 65.12/59.33 および 40.06/32.50 を達成し、以前の方法を大幅に上回りました。
コードは https://github.com/Mwxinnn/UniAS で共有されています。

要約(オリジナル)

Unsupervised anomaly detection (UAD) from images strives to model normal data distributions, creating discriminative representations to distinguish and precisely localize anomalies. Despite recent advancements in the efficient and unified one-for-all scheme, challenges persist in accurately segmenting anomalies for further monitoring. Moreover, this problem is obscured by the widely-used AUROC metric under imbalanced UAD settings. This motivates us to emphasize the significance of precise segmentation of anomaly pixels using pAP and DSC as metrics. To address the unsolved segmentation task, we introduce the Unified Anomaly Segmentation (UniAS). UniAS presents a multi-level hybrid pipeline that progressively enhances normal information from coarse to fine, incorporating a novel multi-granularity gated CNN (MGG-CNN) into Transformer layers to explicitly aggregate local details from different granularities. UniAS achieves state-of-the-art anomaly segmentation performance, attaining 65.12/59.33 and 40.06/32.50 in pAP/DSC on the MVTec-AD and VisA datasets, respectively, surpassing previous methods significantly. The codes are shared at https://github.com/Mwxinnn/UniAS.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google