[論文レビュー] Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey

Tao Xian, Xinyi Gong+3 more|arXiv (Cornell University)|Jul 21, 2022

Anomaly Detection Techniques and Applications被引用数 11

ひとこと要約

本調査は、産業画像における深層学習に基づく教師なし異常局所化手法について、概念、課題、分類体系、データセット、パフォーマンスベンチマークを網羅的にレビューし、120篇以上の出版物を分析している。主なトレンドを特定し、最先端技術を評価し、ラベル付き欠陥データに依存しない産業ビジョンシステムにおける欠陥検出の今後の研究方向性を提示している。

ABSTRACT

Currently, deep learning-based visual inspection has been highly successful with the help of supervised learning methods. However, in real industrial scenarios, the scarcity of defect samples, the cost of annotation, and the lack of a priori knowledge of defects may render supervised-based methods ineffective. In recent years, unsupervised anomaly localization algorithms have become more widely used in industrial inspection tasks. This paper aims to help researchers in this field by comprehensively surveying recent achievements in unsupervised anomaly localization in industrial images using deep learning. The survey reviews more than 120 significant publications covering different aspects of anomaly localization, mainly covering various concepts, challenges, taxonomies, benchmark datasets, and quantitative performance comparisons of the methods reviewed. In reviewing the achievements to date, this paper provides detailed predictions and analysis of several future research directions. This review provides detailed technical information for researchers interested in industrial anomaly localization and who wish to apply it to the localization of anomalies in other fields.

研究の動機と目的

• 産業現場における欠陥アノテーションの限界に起因する課題を解決するため、産業画像における教師なし深層学習による異常局所化手法をレビューすること。
• 産業画像解析における教師なし異常局所化手法の構造的分類体系を提供すること。
• 標準化されたベンチマークデータセットを用いて、さまざまな教師なし手法のパフォーマンスを評価および比較すること。
• 教師なし産業異常検出における未解決の課題と新たな研究方向性を特定すること。
• 研究者がこれらの手法を産業検査を超えた他の分野へ応用するのを支援すること。

提案手法

• 産業画像における教師なし異常局所化に関する120篇以上の主要な出版物を対象とした体系的文献レビュー。
• 再構成ベース、生成モデル、自己教師あり表現学習といったコアな学習パラダイムに基づく手法の分類。
• MVTec AD、MVTec-3D、その他のデータセットを含むベンチマークデータセットの分析。
• 異常局所化における標準的指標（AU-ROC、F1スコアなど）を用いて、最先端モデルの定量的比較。
• 最近の研究で用いられている、メソドロジーのトレンド、アーキテクチャの選択、データ拡張戦略の同定。
• 産業環境におけるモデルの一般化性、耐性、実装上の考慮事項に関する知見の統合。

実験結果

リサーチクエスチョン

• RQ1 産業画像における教師なし深層学習による異常局所化の主なメソドロジー的カテゴリーは何か？
• RQ2 標準ベンチマークデータセット上での異なる教師なし手法の局所化精度は、どのように比較されるか？
• RQ3 実世界の産業検査システムへの教師なし異常局所化の適用における主な課題は何か？
• RQ4 現在の制限に基づいて、今後の研究で最も有望な方向性は何か？
• RQ5 アーキテクチャ設計の選択と学習戦略は、教師なし異常局所化モデルのパフォーマンスにどのように影響するか？

主な発見

• 自己符号化器に敵対的またはアテンション機構を組み合わせた再構成ベースの手法は、MVTec ADのような標準ベンチマークで強力なパフォーマンスを発揮している。
• 自己教師ありおよび対照的学習アプローチは、異常アノテーションを一切必要とせず、判別性の高い特徴を学習できる点で、ますます有望な兆しなどを示している。
• MVTec ADデータセットは依然として最も広く使われているベンチマークであり、最先端モデルはテクスチャおよびオブジェクトカテゴリで95％を超えるAU-ROCスコアを達成している。
• 異常局所化のパフォーマンスは欠陥タイプによって顕著に異なることがあり、微細な欠陥や小さな異常はより大きな挑戦をもたらしている。
• 特徴学習と異常検出を同時に最適化するエンドツーエンドで学習可能なモデルへの傾向が高まっている。
• 進展は見られるものの、未観測の欠陥タイプへの一般化性とドメインシフト下での耐性は、依然として重要な未解決の課題のままである。