CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization

要約

長い間、異常のローカライズは産業界で広く利用されてきた。これまでの研究では、ターゲットデータセットに適応することなく、正常な特徴量の分布を近似することに焦点が当てられていた。しかし、異常局在は正常な特徴と異常な特徴を正確に識別する必要があるため、適応を行わない場合、異常な特徴の正常性を過大評価する可能性がある。そこで、我々は、ターゲットデータセットに適応した特徴量を用いて高度な異常位置検出を行うCFA(Coupled-hypersphere-based Feature Adaptation)を提案する。CFAは、(1)ターゲット指向の特徴を学習し埋め込む学習可能なパッチ記述子と、(2)ターゲットデータセットのサイズに依存しないスケーラブルなメモリバンクから構成される。そして，CFAは伝達学習を採用し，事前に学習したCNNにパッチ記述子とメモリバンクを適用することで，異常な特徴を明確に識別できるように正常な特徴の密度を増加させる．提案手法は，定量的にも定性的にも従来の手法を凌駕している．例えば，MVTec ADベンチマークの異常検出で99.5%のAUROCスコア，異常局在化で98.5%のスコアを提供する．また、本論文では、事前学習したCNNの偏った特徴量の弊害を指摘し、対象データセットへの適応の重要性を強調する。コードは https://github.com/sungwool/CFA_for_anomaly_localization で公開されています。

要約(オリジナル)

For a long time, anomaly localization has been widely used in industries. Previous studies focused on approximating the distribution of normal features without adaptation to a target dataset. However, since anomaly localization should precisely discriminate normal and abnormal features, the absence of adaptation may make the normality of abnormal features overestimated. Thus, we propose Coupled-hypersphere-based Feature Adaptation (CFA) which accomplishes sophisticated anomaly localization using features adapted to the target dataset. CFA consists of (1) a learnable patch descriptor that learns and embeds target-oriented features and (2) scalable memory bank independent of the size of the target dataset. And, CFA adopts transfer learning to increase the normal feature density so that abnormal features can be clearly distinguished by applying patch descriptor and memory bank to a pre-trained CNN. The proposed method outperforms the previous methods quantitatively and qualitatively. For example, it provides an AUROC score of 99.5% in anomaly detection and 98.5% in anomaly localization of MVTec AD benchmark. In addition, this paper points out the negative effects of biased features of pre-trained CNNs and emphasizes the importance of the adaptation to the target dataset. The code is publicly available at https://github.com/sungwool/CFA_for_anomaly_localization.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL