[論文レビュー] DFR: Deep Feature Reconstruction for Unsupervised Anomaly Segmentation

Jie Yang, Yong Shi+1 more|arXiv (Cornell University)|Dec 13, 2020

Anomaly Detection Techniques and Applications参考文献 35被引用数 47

ひとこと要約

DFR は、事前学習済みの CNN からのマルチスケールの地域特徴生成器と畳込みオートエンコーダを導入し、未監視の方法で非常に小さな領域を含む画像内の異常を検出・セグメント化します。

ABSTRACT

Automatic detecting anomalous regions in images of objects or textures without priors of the anomalies is challenging, especially when the anomalies appear in very small areas of the images, making difficult-to-detect visual variations, such as defects on manufacturing products. This paper proposes an effective unsupervised anomaly segmentation approach that can detect and segment out the anomalies in small and confined regions of images. Concretely, we develop a multi-scale regional feature generator that can generate multiple spatial context-aware representations from pre-trained deep convolutional networks for every subregion of an image. The regional representations not only describe the local characteristics of corresponding regions but also encode their multiple spatial context information, making them discriminative and very beneficial for anomaly detection. Leveraging these descriptive regional features, we then design a deep yet efficient convolutional autoencoder and detect anomalous regions within images via fast feature reconstruction. Our method is simple yet effective and efficient. It advances the state-of-the-art performances on several benchmark datasets and shows great potential for real applications.

研究の動機と目的

• 小さく限られた画像領域に現れる欠陥に対して、堅牢な未監視型異常セグメンテーションを動機づける。
• 事前学習済みCNNから密で文脈を認識した地域表現を生み出す、マルチスケールの地域特徴生成器を提案する。
• 地域特徴を再構成する軽量な畳み込みオートエンコーダを開発し、再構成誤差を通じて異常を識別する。
• 事前学習済み特徴とパイプラインを1回のフォワードで活用して、推論を効率化する。
• 計算効率を維持しつつ、ベンチマークデータセットで最先端の性能を実証する。

提案手法

• 局所的およびグローバルな文脈を捉えるため、事前学習済みCNNから階層的・マルチスケールな特徴を抽出する。
• 各層の特徴マップを整列・集約して、各画像領域に対して密なマルチスケール地域表現を形成する。
• これらの地域特徴に対して畳み込みオートエンコーダを訓練し、正常領域の再構成のみを学習する。
• 領域ごとの再構成誤差を異常スコアとして算出し、ピクセル単位のマップにアップサンプリングしてセグメンテーションを行う。
• 許容される偽陽性率に基づく適応的閾値を決定し、異常マップを二値化する。

実験結果

リサーチクエスチョン

• RQ1 特に小さな欠陥に対して、マルチスケールで領域に焦点を当てたCNN特徴は、未監督の異常セグメンテーションを改善できるか？
• RQ2 訓練時に異常の例がなくても、CAEで深い特徴表現を再構成することにより、ピクセルレベルで正確な異常マップを得られるか？
• RQ3 提案された DFR は、標準ベンチマークに対して、従来の再構成法および特徴ベースの手法とどのように比較されるか？
• RQ4 このアプローチは、製造現場での実用的な展開に十分な計算効率を持つか？

主な発見

• ほとんどの物体カテゴリとテクスチャカテゴリにおいて、MVTec AD データセットのいくつかの最先端ベースラインを上回る。
• 事前学習CNNからのマルチスケール地域特徴を融合・再構成すると、効果的な異常局在化を生み出すことを示す。
• STモデルと比較して ROC-AUC および PRO-AUC 指標で競争力を示しつつ、1回のフォワードパスとより少ない訓練上の複雑さで達成する。
• マルチスケールモデリングは性能向上に寄与し、16-scale表現が強い結果をもたらす。
• 事前学習CNNを凍結しCAEのみを訓練することで、方法を効率化し実世界での実用性を高める。