Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection

要約

視覚異常検出（VAD）は、多数の現実世界のアプリケーションを備えたコンピュータービジョンの重要なタスクです。
ただし、これらのモデルをエッジデバイスに展開することは、制約された計算リソースやメモリリソースなど、重要な課題を提示します。
さらに、実際の設定での動的なデータ分布は、継続的なモデル適応を必要とし、限られたリソースの下での展開をさらに複雑にします。
これらの課題に対処するために、エッジデバイスでの視覚異常検出（CLAD）の継続的な学習の問題に関する新しい調査を提示します。
Edgeデバイスでのメモリフットプリントが低いことを考えると、STFPMアプローチを評価します。これは、リプレイアプローチと組み合わせるとパフォーマンスが良好であることを示します。
さらに、最近提案されたアプローチの動作を研究することを提案します。ペーストは、エッジ向けに設計されていますが、継続的な学習コンテキストではまだ調査されていません。
我々の結果は、ペーストがSTPFMの軽いバージョンであるだけでなく、優れた異常検出性能も達成し、リプレイ技術でF1ピクセルのパフォーマンスを10％改善することを示しています。
特に、ペーストの構造により、一連の圧縮リプレイ技術を使用してテストすることができ、STFPMの従来のリプレイと比較して、メモリオーバーヘッドを最大91.5％減少させます。
私たちの研究では、リソース制約のあるエッジデバイスの覆われたシナリオを段階的に適応および学習するVADモデルを展開する可能性があることが証明されています。

要約(オリジナル)

Visual Anomaly Detection (VAD) is a critical task in computer vision with numerous real-world applications. However, deploying these models on edge devices presents significant challenges, such as constrained computational and memory resources. Additionally, dynamic data distributions in real-world settings necessitate continuous model adaptation, further complicating deployment under limited resources. To address these challenges, we present a novel investigation into the problem of Continual Learning for Visual Anomaly Detection (CLAD) on edge devices. We evaluate the STFPM approach, given its low memory footprint on edge devices, which demonstrates good performance when combined with the Replay approach. Furthermore, we propose to study the behavior of a recently proposed approach, PaSTe, specifically designed for the edge but not yet explored in the Continual Learning context. Our results show that PaSTe is not only a lighter version of STPFM, but it also achieves superior anomaly detection performance, improving the f1 pixel performance by 10% with the Replay technique. In particular, the structure of PaSTe allows us to test it using a series of Compressed Replay techniques, reducing memory overhead by a maximum of 91.5% compared to the traditional Replay for STFPM. Our study proves the feasibility of deploying VAD models that adapt and learn incrementally on CLAD scenarios on resource-constrained edge devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google