Continual Learning Approaches for Anomaly Detection

要約

異常検出は、特に画像を扱う場合に、多くの現実世界のアプリケーションで発生する関連する問題です。
ただし、継続的学習環境でのこのタスクに関する研究はほとんどありません。
この作業では、SCALE (SCALing is Enough) と呼ばれる新しいアプローチを導入して、継続的学習設定での異常検出のフレームワークで圧縮再生を実行します。
提案された手法は、私たちの知る限り、継続的学習設定で初めて研究された超解像度モデルを使用して、元の画像をスケーリングおよび圧縮します。
SCALE は、高レベルの画像再構成品質を維持しながら、高レベルの圧縮を実現できます。
他の異常検出アプローチと組み合わせることで、最適な結果を得ることができます。
提案されたアプローチを検証するために、ピクセルベースの異常を含む画像の実際のデータセットを使用します。これは、継続的学習のコンテキストで異常検出の信頼できるベンチマークを提供する範囲で、この分野のさらなる進歩の基盤として機能します。

要約(オリジナル)

Anomaly Detection is a relevant problem that arises in numerous real-world applications, especially when dealing with images. However, there has been little research for this task in the Continual Learning setting. In this work, we introduce a novel approach called SCALE (SCALing is Enough) to perform Compressed Replay in a framework for Anomaly Detection in Continual Learning setting. The proposed technique scales and compresses the original images using a Super Resolution model which, to the best of our knowledge, is studied for the first time in the Continual Learning setting. SCALE can achieve a high level of compression while maintaining a high level of image reconstruction quality. In conjunction with other Anomaly Detection approaches, it can achieve optimal results. To validate the proposed approach, we use a real-world dataset of images with pixel-based anomalies, with the scope to provide a reliable benchmark for Anomaly Detection in the context of Continual Learning, serving as a foundation for further advancements in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google