Self-Supervised Training with Autoencoders for Visual Anomaly Detection

要約

深い畳み込みオートエンコーダは、教師なしの方法で非線形次元削減を学習するための効果的なツールを提供します。
最近、それらは視覚領域での異常検出のタスクに使用されています。
異常のない例を使用して再構築エラーを最適化することにより、一般的な信念は、トレーニングされたネットワークでは、テストフェーズ中に異常な部分を再構築することが困難になるというものです。
これは通常、ボトルネックレイヤーのサイズを縮小するか、アクティブ化にスパース性の制約を適用することにより、ネットワークの容量を制御することによって行われます。
ただし、これらの手法はいずれも、異常な信号の再構築に明示的にペナルティを課すことはなく、検出が不十分になることがよくあります。
トレーニング中に識別情報を使用できるようにする自己監視学習レジームを採用することでこの問題に取り組み、モデルを正規化して、修正された再構成エラーによってデータ多様体に焦点を合わせ、正確な検出を実現します。
関連するアプローチとは異なり、トレーニングおよび予測中の提案された方法の推論は、単一のステップで入力画像全体を処理するのに非常に効率的です。
MVTec異常検出データセットでの実験は、提案された方法の高い認識とローカリゼーションのパフォーマンスを示しています。
特にテクスチャサブセットでは、私たちのアプローチは、最近の多くの異常検出方法を大幅に上回っています。

要約(オリジナル)

Deep convolutional autoencoders provide an effective tool for learning non-linear dimensionality reduction in an unsupervised way. Recently, they have been used for the task of anomaly detection in the visual domain. By optimising for the reconstruction error using anomaly-free examples, the common belief is that a trained network will have difficulties to reconstruct anomalous parts during the test phase. This is usually done by controlling the capacity of the network by either reducing the size of the bottleneck layer or enforcing sparsity constraints on its activations. However, neither of these techniques does explicitly penalise reconstruction of anomalous signals often resulting in a poor detection. We tackle this problem by adapting a self-supervised learning regime which allows to use discriminative information during training while regularising the model to focus on the data manifold by means of a modified reconstruction error resulting in an accurate detection. Unlike related approaches, the inference of the proposed method during training and prediction is very efficient processing the whole input image in one single step. Our experiments on the MVTec Anomaly Detection dataset demonstrate high recognition and localisation performance of the proposed method. On the texture-subset, in particular, our approach consistently outperforms a bunch of recent anomaly detection methods by a big margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google