[論文レビュー] PNI : Industrial Anomaly Detection using Position and Neighborhood Information

Jaehyeok Bae, Jae-Han Lee+1 more|arXiv (Cornell University)|Nov 22, 2022

Anomaly Detection Techniques and Applications被引用数 8

ひとこと要約

PNIは、マルチレイヤーパーセプトロンを用いて位置および周辺情報に基づく条件付き確率によって正常特徴分布をモデル化し、合成異常データで訓練された別個のネットワークによって異常マップを精緻化する、産業用異常検出および局所化の新規な手法を提案する。MVTec ADベンチマークにおいて、異常検出で99.56%、局所化で98.98%のSOTA性能を達成した。

ABSTRACT

Because anomalous samples cannot be used for training, many anomaly detection and localization methods use pre-trained networks and non-parametric modeling to estimate encoded feature distribution. However, these methods neglect the impact of position and neighborhood information on the distribution of normal features. To overcome this, we propose a new algorithm, extbf{PNI}, which estimates the normal distribution using conditional probability given neighborhood features, modeled with a multi-layer perceptron network. Moreover, position information is utilized by creating a histogram of representative features at each position. Instead of simply resizing the anomaly map, the proposed method employs an additional refine network trained on synthetic anomaly images to better interpolate and account for the shape and edge of the input image. We conducted experiments on the MVTec AD benchmark dataset and achieved state-of-the-art performance, with extbf{99.56\%} and extbf{98.98\%} AUROC scores in anomaly detection and localization, respectively.

研究の動機と目的

• 既存手法が異常検出の過程で正常特徴分布の位置的および周辺相関を無視するという限界を是正すること。
• 空間的文脈および隣接特徴に基づいて条件付き正常特徴分布をモデル化することで、局所化精度を向上させること。
• 合成データで訓練されたネットワークを用いて異常マップを精緻化することで、産業用検査における誤検出および見逃し率を低減すること。
• 実際の異常サンプルを用いた学習に依存せずに、高精度な欠険局所化を可能にすること。

提案手法

• 各トレーニング画像全体における各空間的位置での正常特徴のヒストグラムを構築することで、位置情報をモデル化する。
• 隣接特徴の依存関係を捉えるために、隣接特徴の連結を条件として用いるマルチレイヤーパーセプトロン（MLP）を用いる。
• 隣接特徴モデリングからの条件付き確率と、位置ヒストグラムに基づく分布を組み合わせて異常スコアを計算する。
• 別個の修正ネットワークを合成異常画像のみで訓練し、異常マップの空間的整合性を向上させ、縁や形状の正確性を向上させる。
• 修正ネットワークは特徴符号化やスコア推定には使用せず、推論後における最終的な異常マップの精緻化にのみ用いる。
• 事前学習済みネットワークと非パrametric特徴モデリングを用いるあらゆる表現ベースのアプローチと互換性がある。

実験結果

リサーチクエスチョン

• RQ1 正常特徴分布モデリングに位置および周辺情報を組み込むことで、異常検出および局所化性能が向上するか？
• RQ2 隣接特徴の条件付き確率をモデル化することで、微細な構造的異常の検出にどのような影響を与えるか？
• RQ3 合成データで訓練された修正ネットワークが、異常マップの空間的精度をどの程度向上させられるか？
• RQ4 位置および周辺モデリングの統合が、産業用検査における誤検出および見逃し率を低減するか？

主な発見

• PNIはMVTec ADベンチマークで異常検出に99.56%、局所化に98.98%のAUROCを達成し、先行するSOTA手法を上回った。
• 周辺情報の導入のみで、異常検出AUROCは98.92%から99.44%に向上し、誤差は約48.1%削減された。
• 位置情報は物体のサブカテゴリでは顕著な向上をもたらしたが、テクスチャサブカテゴリでは最小限の改善にとどまった。これは予想通りであった。
• ピクセル単位の修正により、金属ナットサブカテゴリの誤検出率は10.7%（PatchCore）から9.5%に、誤検出率は3.4%から2.0%に低下した。
• 1,725枚のテスト画像全体で、合計誤分類誤差はPatchCoreの42から19に減少し、誤検出は7、誤検出は12（PatchCoreは19と23）となった。
• BTADデータセットでは、PNIは平均P-AUROCが97.8%を達成し、全製品カテゴリで比較されたSOTA手法を上回った。