FractalAD: A simple industrial anomaly segmentation method using fractal anomaly generation and backbone knowledge distillation

要約

近年、産業用異常検出 (AD) 技術は大きな進歩を遂げましたが、現実的な異常を生成し、正常な状態に関する事前知識を学習することは依然として困難な課題です。
この研究では、FractalAD と呼ばれるエンド ツー エンドの産業異常セグメンテーション手法を提案します。
トレーニング サンプルは、通常のサンプルからフラクタル イメージとパッチを合成することによって取得されます。
このフラクタル異常生成方法は、異常の完全な形態をサンプリングするように設計されています。
さらに、正常なサンプルに含まれる事前知識を抽出するバックボーン知識蒸留構造を設計しました。
教師モデルと生徒モデルの違いは、コサイン類似性注意モジュールを使用して異常注意に変換されます。
提案された方法により、バックボーンとセグメンテーションヘッドにトレーニング可能なパラメーターを追加することなく、エンドツーエンドのセマンティックセグメンテーションネットワークを異常検出に使用できます。
アブレーション研究の結果は、フラクタル異常生成とバックボーン知識蒸留の有効性を確認しました。
パフォーマンス実験の結果は、FractalAD が他の最先端の異常検出方法と比較して、MVTec AD データセットで競争力のある結果を達成したことを示しました。

要約(オリジナル)

Although industrial anomaly detection (AD) technology has made significant progress in recent years, generating realistic anomalies and learning priors knowledge of normal remain challenging tasks. In this study, we propose an end-to-end industrial anomaly segmentation method called FractalAD. Training samples are obtained by synthesizing fractal images and patches from normal samples. This fractal anomaly generation method is designed to sample the full morphology of anomalies. Moreover, we designed a backbone knowledge distillation structure to extract prior knowledge contained in normal samples. The differences between a teacher and a student model are converted into anomaly attention using a cosine similarity attention module. The proposed method enables an end-to-end semantic segmentation network to be used for anomaly detection without adding any trainable parameters to the backbone and segmentation head. The results of ablation studies confirmed the effectiveness of fractal anomaly generation and backbone knowledge distillation. The results of performance experiments showed that FractalAD achieved competitive results on the MVTec AD dataset compared with other state-of-the-art anomaly detection methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google