[論文レビュー] Diversity-Measurable Anomaly Detection

Wenrui Liu, Hong Chang+3 more|arXiv (Cornell University)|Mar 9, 2023

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本稿では、再構成ベースのフレームワークとして、多様性を測定可能な異常検出（DMAD）を提案する。DMADは、ピラミッド変形モジュール（PDM）を用いて、代表的な正常パターンと測定可能な変形場を分離することで、異常検出を向上させる。再構成された参照画像から元の入力へのマルチスケール変形をモデル化することで、正常な変動に対する再構成の多様性を向上させるとともに、異常度を正確に測定し、汚染されたデータに対しても頑健である。監視映像および産業用ベンチマークで最先端の性能を達成している。

ABSTRACT

Reconstruction-based anomaly detection models achieve their purpose by suppressing the generalization ability for anomaly. However, diverse normal patterns are consequently not well reconstructed as well. Although some efforts have been made to alleviate this problem by modeling sample diversity, they suffer from shortcut learning due to undesired transmission of abnormal information. In this paper, to better handle the tradeoff problem, we propose Diversity-Measurable Anomaly Detection (DMAD) framework to enhance reconstruction diversity while avoid the undesired generalization on anomalies. To this end, we design Pyramid Deformation Module (PDM), which models diverse normals and measures the severity of anomaly by estimating multi-scale deformation fields from reconstructed reference to original input. Integrated with an information compression module, PDM essentially decouples deformation from prototypical embedding and makes the final anomaly score more reliable. Experimental results on both surveillance videos and industrial images demonstrate the effectiveness of our method. In addition, DMAD works equally well in front of contaminated data and anomaly-like normal samples.

研究の動機と目的

• 教師なし異常検出における、多様な正常パターンの再構成と未知の異常の検出の間のトレードオフを解消すること。
• 再構成中に不顕著に異常情報が伝搬されることで生じる、従来手法の短絡的学習（shortcut learning）を克服すること。
• 異常度と正の相関を持つ、測定可能で幾何学的感度を持つ多様性指標を考案すること。
• 異常識別性能を損なわず、正常な変動の再構成忠実度を向上させること。

提案手法

• 再構成された参照画像から元の入力へのマルチスケール2次元変形場を推定するピラミッド変形モジュール（PDM）を導入し、ピクセル単位の変換を捉える。
• 正常パターンのコンactでスパースなプロトタイプを学習する情報圧縮モジュール（ICM）を採用し、メモリ使用量を削減する。
• 変形推定とプロトタイプ埋め込みを分離することで、異常情報によるスコアのバイアスを回避する。
• 埋め込みのコンパクト性を向上させ、変形推定のノイズを低減するために、前景・背景選択モジュールを導入する。
• 退化解の防止と安定した変形学習の確保のため、サイクル整合性、滑らかさ、強度制約を適用する。
• PDMとICMを統合し、再構成誤差と測定可能な変形深刻度の両方を基に最終的な異常スコアを生成する。

実験結果

リサーチクエスチョン

• RQ1 再構成ベースのモデルにおいて、従来の再構成誤差を上回る変形に基づく多様性測定は、異常検出を改善できるか？
• RQ2 多様な正常パターンの高品質な再構成を維持しながら、異常へと一般化するのを防げるか？
• RQ3 異常と似た正常サンプルが含まれる汚染された学習データ下でも、提案手法はどの程度頑健であるか？
• RQ4 マルチスケール変形モデリングは、検出性能および局所化性能にどのような影響を及ぼすか？
• RQ5 変形場は、異常度の信頼性があり測定可能な代理指標として機能できるか？

主な発見

• DMADは、監視映像（Ped2）および産業用画像（MVTec）ベンチマークの両方で最先端の性能を達成し、検出および局所化の両面で先行SOTA手法を上回っている。
• Ped2では、全PPDM設定でAUC 99.6%を達成し、汚染データ下で3.7%低下するMNADと比べ顕著に優れている。
• アブレーションスタディでは、PDMを削除するとAUCが9.4%低下し、メモリモジュールを削除すると1.8%低下する。これにより、変形モデリングとコンパクト表現の重要性が確認された。
• 変形制約のハイパーパrameter γ₃に対して、広い範囲で性能が安定しており、最適化の信頼性が裏付けられた。
• 前景・背景選択と変形制約の導入により、コンパクト性が向上し、短絡的学習が防止された。これらを削除すると最大1.8%の性能低下が生じた。
• PPDMベースの実装は、逆変形により異常を正常に似せたパターンに変換することで、局所化性能を向上させ、位置特定の正確性を高めている。