PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation

要約

視覚的な異常検出は不可欠であり、コンピューター ビジョンの分野の多くのタスクで一般的に使用されます。
最近の異常検出データセットは、主に産業用自動検査、医療画像分析、ビデオ監視に焦点を当てています。
無人スーパーマーケットやスマート製造における異常検出の応用と研究を拡大するために、スーパーマーケット商品異常検出 (GoodsAD) データセットを紹介します。
6 つのカテゴリに分けられた 484 種類の外観グッズの 6124 枚の高解像度画像が含まれています。
各カテゴリには、変形、表面損傷、開口など、一般的なさまざまなタイプの異常がいくつか含まれています。
異常には、テクスチャの変化と構造の変化の両方が含まれます。
これは教師なし設定に従い、通常の (欠陥のない) 画像のみがトレーニングに使用されます。
すべての異常に対して、ピクセル精度のグラウンド トゥルース領域が提供されます。
さらに、現在の最先端の教師なし異常検出手法の徹底的な評価も実施します。
この初期ベンチマークは、産業用異常検出データセット (MVTec AD など) では良好なパフォーマンスを発揮する一部のメソッドが、当社のデータセットではパフォーマンスが低いことを示しています。
これは、現実世界のアプリケーションに焦点を当てた、スーパーマーケットの商品の異常検出のための包括的なマルチオブジェクト データセットです。

要約(オリジナル)

Visual anomaly detection is essential and commonly used for many tasks in the field of computer vision. Recent anomaly detection datasets mainly focus on industrial automated inspection, medical image analysis and video surveillance. In order to broaden the application and research of anomaly detection in unmanned supermarkets and smart manufacturing, we introduce the supermarket goods anomaly detection (GoodsAD) dataset. It contains 6124 high-resolution images of 484 different appearance goods divided into 6 categories. Each category contains several common different types of anomalies such as deformation, surface damage and opened. Anomalies contain both texture changes and structural changes. It follows the unsupervised setting and only normal (defect-free) images are used for training. Pixel-precise ground truth regions are provided for all anomalies. Moreover, we also conduct a thorough evaluation of current state-of-the-art unsupervised anomaly detection methods. This initial benchmark indicates that some methods which perform well on the industrial anomaly detection dataset (e.g., MVTec AD), show poor performance on our dataset. This is a comprehensive, multi-object dataset for supermarket goods anomaly detection that focuses on real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google