REB: Reducing Biases in Representation for Industrial Anomaly Detection

要約

既存の表現ベースの手法は、通常、2 段階で産業異常検出を実行します。つまり、事前トレーニングされたモデルを使用して特徴表現を取得し、異常検出のための距離測定を実行します。
その中でも、K 最近傍 (KNN) 検索ベースの異常検出手法は有望な結果を示しています。
ただし、これらの方法では、事前トレーニングされたモデルのドメイン バイアスや特徴空間内の局所密度の違いが無視され、検出パフォーマンスが制限されるため、特徴が十分に活用されていません。
この論文では、ドメインのバイアスを考慮し、合成欠陥の強力な多様性を保証する欠陥生成戦略 (DefectMaker) を使用してドメインの適応を改善するための自己教師あり学習タスクを構築することにより、表現におけるバイアスの低減 (REB) を提案します。
さらに、特徴空間内の局所密度バイアスを軽減し、効果的な異常検出を得るために、局所密度 KNN (LDKNN) を提案します。
提案された REB 手法は、Vgg11 や Resnet18 などの小規模なバックボーン ネットワークを使用して、広く使用されている MVTec AD 上で 99.5\% Im.AUROC という有望な結果を達成します。
また、このメソッドは、MVTec LOCO AD データセットで 88.8\% という驚異的な Im.AUROC を達成し、BTAD データセットで驚くべき 96.0\% を達成し、他の表現ベースのアプローチを上回ります。
これらの結果は、実際の産業用途における REB の有効性と効率性を示しています。
コード:https://github.com/ShuaiLYU/REB。

要約(オリジナル)

Existing representation-based methods usually conduct industrial anomaly detection in two stages: obtain feature representations with a pre-trained model and perform distance measures for anomaly detection. Among them, K-nearest neighbor (KNN) retrieval-based anomaly detection methods show promising results. However, the features are not fully exploited as these methods ignore domain bias of pre-trained models and the difference of local density in feature space, which limits the detection performance. In this paper, we propose Reducing Biases (REB) in representation by considering the domain bias and building a self-supervised learning task for better domain adaption with a defect generation strategy (DefectMaker) that ensures a strong diversity in the synthetic defects. Additionally, we propose a local-density KNN (LDKNN) to reduce the local density bias in the feature space and obtain effective anomaly detection. The proposed REB method achieves a promising result of 99.5\% Im.AUROC on the widely used MVTec AD, with smaller backbone networks such as Vgg11 and Resnet18. The method also achieves an impressive 88.8\% Im.AUROC on the MVTec LOCO AD dataset and a remarkable 96.0\% on the BTAD dataset, outperforming other representation-based approaches. These results indicate the effectiveness and efficiency of REB for practical industrial applications. Code:https://github.com/ShuaiLYU/REB.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google