[論文レビュー] AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning

Jou Won Song, Kyeongbo Kong+3 more|arXiv (Cornell University)|Oct 7, 2021

Anomaly Detection Techniques and Applications参考文献 24被引用数 37

ひとこと要約

AnoSeg はハード拡張、敵対的再構成、座標チャネルを用いた自己教師あり学習によりピクセル単位の異常マップを直接生成し、MVTec ADデータセットで最先端の異常セグメンテーションと競争力のある検出を達成します。

ABSTRACT

Anomaly segmentation, which localizes defective areas, is an important component in large-scale industrial manufacturing. However, most recent researches have focused on anomaly detection. This paper proposes a novel anomaly segmentation network (AnoSeg) that can directly generate an accurate anomaly map using self-supervised learning. For highly accurate anomaly segmentation, the proposed AnoSeg considers three novel techniques: Anomaly data generation based on hard augmentation, self-supervised learning with pixel-wise and adversarial losses, and coordinate channel concatenation. First, to generate synthetic anomaly images and reference masks for normal data, the proposed method uses hard augmentation to change the normal sample distribution. Then, the proposed AnoSeg is trained in a self-supervised learning manner from the synthetic anomaly data and normal data. Finally, the coordinate channel, which represents the pixel location information, is concatenated to an input of AnoSeg to consider the positional relationship of each pixel in the image. The estimated anomaly map can also be utilized to improve the performance of anomaly detection. Our experiments show that the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for the MVTec AD dataset. In addition, we compared the proposed method with the existing methods through the intersection over union (IoU) metric commonly used in segmentation tasks and demonstrated the superiority of our method for anomaly segmentation.

研究の動機と目的

• ポストホックな局在化や再構成誤差に頼るのではなく、直接ピクセル単位の異常セグメンテーションを動機付ける。
• 正常データと合成異常から正確な異常マップを生成する自己教師ありフレームワークを開発する。
• データ拡張、敵対的学習、および位置情報を活用してセグメンテーションの忠実度を向上させる。
• 生成された異常マップの恩恵を受ける異常検出器を提供し、検出性能を向上させる。

提案手法

• 正常データから合成異常データと対応する実地ラベルマスクを作成するためにハード拡張を用いる。
• ピクセル単位のセグメンテーション損失を用いて合成データで自己教師あり学習を行い AnoSeg を訓練する。
• 入力画像と異常マップのペアを用いて正常領域分布を評価する識別器を含む敵対的損失を導入する。
• マスキング再構成損失を適用し、再構成が正常領域に焦点を当てるように、ジェネレータ–識別器構成で支援する。
• 座標チャネル（CoordConv に触発）を連結してネットワークにピクセル位置情報を提供する。

実験結果

リサーチクエスチョン

• RQ1 AnoSeg は真のラベルなしで、合成異常と正常データから正確な異常マップを直接学習して生成できるのか？
• RQ2 通常領域フォーカスと座標チャネルを用いた敵対的学習は、再構成ベースおよび GradCAM ベースの手法よりセグメンテーション精度を改善するのか？
• RQ3 座標チャネル情報は位置依存の異常の局在化をどの程度改善するのか？
• RQ4 生成された異常マップを用いて既存の異常検出フレームワークを効果的に向上させることができるのか？

主な発見

• AnoSeg はグラウンドトゥルースマスクに非常に近い異常マップを生み出し、MVTec AD データセットの異常セグメンテーションで最先端手法を上回る。
• 本手法はプリトレインモデルに依存せず、IoU とピクセルレベルの AUROC を従来の SOTA 手法より高く達成。
• アブレーション研究は、ハード拡張、マスク付き再構成を含む敵対学習、および座標チャネルがそれぞれ AUROC および IoU の改善に寄与することを示す。
• AnoSeg のマップを用いた異常検出器は画像レベル AUROC も競争力を維持し、検出とセグメンテーションの両方で生成マップの有用性を示している。
• AnoSeg は IoU 評価における閾値に対するロバスト性を示し、閾値の範囲で優れた性能を維持する。