Gaussian Image Anomaly Detection with Greedy Eigencomponent Selection

要約

画像内の異常検出 (AD) は、正常性からの重大な逸脱を特定するものであり、コンピューター ビジョンにおける重要な問題です。
この論文では、EfficientNet モデルを組み込んだ事前トレーニング済み畳み込みニューラル ネットワーク (CNN) を使用した、AD の次元削減への新しいアプローチを紹介します。
我々は成分選択の重要性を調査し、最適な固有成分選択のために貪欲な戦略を採用する 2 種類のツリー探索アプローチを提案します。
私たちの研究では、アプローチの有効性を評価するために 3 つの主要な実験を実施します。
最初の実験では、コンポーネントの選択に対するテスト セットのパフォーマンスの影響を調べます。2 番目の実験では、1 つの異常タイプでトレーニングし、他のすべてのタイプで評価した場合のパフォーマンスを調べます。3 番目の実験では、トレーニングに最小限の画像を使用した場合の影響を調べます。
そして異常のタイプに基づいてそれらを選択します。
私たちのアプローチは、各コンポーネントによって説明される分散の割合だけに焦点を当てるのではなく、最高のパフォーマンス スコアを実現するコンポーネントの最適なサブセットを見つけ、さまざまな設定でのコンポーネントの動作を理解することを目的としています。
我々の結果は、提案手法が、使用するコンポーネントが少ない場合でも、検出精度の点で主成分分析 (PCA) と否定主成分分析 (NPCA) の両方を上回ることを示しています。
したがって、私たちのアプローチは、ADにおける従来の次元削減技術に代わる有望な代替手段を提供し、ADシステムの効率と有効性を高める可能性を秘めています。

要約(オリジナル)

Anomaly detection (AD) in images, identifying significant deviations from normality, is a critical issue in computer vision. This paper introduces a novel approach to dimensionality reduction for AD using pre-trained convolutional neural network (CNN) that incorporate EfficientNet models. We investigate the importance of component selection and propose two types of tree search approaches, both employing a greedy strategy, for optimal eigencomponent selection. Our study conducts three main experiments to evaluate the effectiveness of our approach. The first experiment explores the influence of test set performance on component choice, the second experiment examines the performance when we train on one anomaly type and evaluate on all other types, and the third experiment investigates the impact of using a minimum number of images for training and selecting them based on anomaly types. Our approach aims to find the optimal subset of components that deliver the highest performance score, instead of focusing solely on the proportion of variance explained by each component and also understand the components behaviour in different settings. Our results indicate that the proposed method surpasses both Principal Component Analysis (PCA) and Negated Principal Component Analysis (NPCA) in terms of detection accuracy, even when using fewer components. Thus, our approach provides a promising alternative to conventional dimensionality reduction techniques in AD, and holds potential to enhance the efficiency and effectiveness of AD systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google