CAINNFlow: Convolutional block Attention modules and Invertible Neural Networks Flow for anomaly detection and localization tasks

要約

オブジェクトの異常の検出は、産業プロセスでは非常に重要ですが、教師なし異常の検出とローカリゼーションは、多数の欠陥サンプルを取得することが困難であり、実際の生活では予測できないタイプの異常であるため、特に重要です。
既存の教師なし異常検出およびローカリゼーション手法の中で、NFベースのスキームはより良い結果を達成しています。
ただし、NFの2つのサブネット（複雑な関数）$ s_ {i}（u_ {i}）$と$ t_ {i}（u_ {i}）$は通常多層パーセプトロンであり、
2Dが1Dに平坦化され、特徴マップの空間位置関係が破壊され、空間構造情報が失われます。
空間構造情報を保持して効果的に抽出するために、この研究では、正規化されたフローモデルで空間構造情報を保持して効果的に抽出できる、積み重ねられた$ 3 \times3$完全畳み込みに埋め込まれた交互のCBAMを備えた複雑な関数モデルを設計します。
。
MVTec ADデータセットに関する広範な実験結果は、CAINNFlowが特徴抽出器としてのCNNおよびTransformerバックボーンネットワークに基づいて高度なレベルの精度と推論効率を達成し、CAINNFlowがMVTecADの異常検出に対して$98.64 \％$のピクセルレベルのAUCを達成することを示しています。

要約(オリジナル)

Detection of object anomalies is crucial in industrial processes, but unsupervised anomaly detection and localization is particularly important due to the difficulty of obtaining a large number of defective samples and the unpredictable types of anomalies in real life. Among the existing unsupervised anomaly detection and localization methods, the NF-based scheme has achieved better results. However, the two subnets (complex functions) $s_{i}(u_{i})$ and $t_{i}(u_{i})$ in NF are usually multilayer perceptrons, which need to squeeze the input visual features from 2D flattening to 1D, destroying the spatial location relationship in the feature map and losing the spatial structure information. In order to retain and effectively extract spatial structure information, we design in this study a complex function model with alternating CBAM embedded in a stacked $3\times3$ full convolution, which is able to retain and effectively extract spatial structure information in the normalized flow model. Extensive experimental results on the MVTec AD dataset show that CAINNFlow achieves advanced levels of accuracy and inference efficiency based on CNN and Transformer backbone networks as feature extractors, and CAINNFlow achieves a pixel-level AUC of $98.64\%$ for anomaly detection in MVTec AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google