[論文レビュー] Semi-supervised Anomaly Detection Using GANs for Visual Inspection in Noisy Training Data.

Masanari Kimura, Takashi Yanagihara|arXiv (Cornell University)|Jul 3, 2018

Anomaly Detection Techniques and Applications参考文献 21被引用数 10

ひとこと要約

本論文では、既存の異常データを用いて生成モデルの分布を歪めることで、高解像度産業画像におけるピクセル単位のマイクロ異常を高精度に検出する半教師あり異常検出手法を提案する。この手法により、ノイズを含む正常データによる性能劣化を緩和し、限定的な異常ラベルでも1024×1024の画像で高精度な検出を達成する。

ABSTRACT

The detection and the quantification of anomalies in image data are critical tasks in industrial scenes such as detecting micro scratches on product. In recent years, due to the difficulty of defining anomalies and the limit of correcting their labels, research on unsupervised anomaly detection using generative models has attracted attention. Generally, in those studies, only normal images are used for training to model the distribution of normal images. The model measures the anomalies in the target images by reproducing the most similar images and scoring image patches indicating their fit to the learned distribution. This approach is based on a strong presumption; the trained model should not be able to generate abnormal images. However, in reality, the model can generate abnormal images mainly due to noisy normal data which include small abnormal pixels, and such noise severely affects the accuracy of the model. Therefore, we propose a novel semi-supervised method to distort the distribution of the model with existing abnormal images. The proposed method detects pixel-level micro anomalies with a high accuracy from 1024x1024 high resolution images which are actually used in an industrial scene. In this paper, we share experimental results on open datasets, due to the confidentiality of the data.

研究の動機と目的

• 小さな異常ピクセルを含むノイズを含む正常トレーニングデータによる産業用視覚検査における不正確な異常検出の課題に対処する。
• トレーニング中に既存の異常画像を組み込むことで、学習された正常分布を歪めることで、GANベースの異常検出モデルのロバスト性を向上させる。
• 産業現場で一般的に用いられる高解像度（1024×1024）画像におけるマイクロ異常のピクセル単位の正確な検出を可能にする。
• 完全な非教師あり学習が完璧な正常データを仮定するのを避けるために、限定的な異常例を活用する半教師ありフレームワークを導入し、完全非教師あり学習への依存を低減する。
• 異常ラベルが乏しく、正常データに不完全性がある現実の産業環境において、モデルの汎化性能と検出精度を向上させる。

提案手法

• 正常画像と少量の既存の異常画像を用いて、GANベースの異常検出モデルをトレーニングする半教師ありトレーニング戦略を導入する。
• トレーニング中に異常パッチを露出させることで、生成モデルが学習した分布を歪め、異常サンプルを生成する傾向を低減する。
• 正常画像パッチの再構成を目的とするGANを訓練し、異常パターンと一致する再構成をペナルティ化することで、推論時の識別性能を向上させる。
• 入力パッチが学習済み正常分布にどれだけ適合するかを測る再構成損失を用い、再構成誤差から異常スコアを導出する。
• 1024×1024の画像をパッチに分割して処理し、ピクセル単位で異常スコアを集約する。
• ディスクライミネーターの特徴表現を活用して、特に高解像度環境下でのマイクロ異常の局所化を向上させる。

実験結果

リサーチクエスチョン

• RQ1 トレーニング中に既存の異常画像を組み込むことで、ノイズを含む正常データがある状況下でも、GANベースの異常検出モデルのロバスト性が向上するか？
• RQ2 半教師ありトレーニングにより、正常データに微小な異常がある場合でも、モデルの異常サンプル生成傾向がどの程度低減されるか？
• RQ3 完全非教師ありベースラインと比較して、本手法は高解像度（1024×1024）産業画像におけるピクセル単位のマイクロ異常検出にどの程度効果的か？
• RQ4 異常データによるモデルの学習分布の歪みが、広範な異常ラベルを必要とせずに検出精度を向上させるか？

主な発見

• 提案された半教師あり手法は、完全非教師ありGANベースの手法と比較して、高解像度画像におけるマイクロ異常の検出精度を顕著に向上させる。
• トレーニング中に既存の異常画像を組み込むことで、正常データに小さな異常ピクセルが含まれている場合でも、モデルが異常サンプルを生成する可能性が低くなる。
• 本手法は1024×1024画像において高精度なピクセル単位の異常局所化を達成し、実際の産業用検査システムに適している。
• ノイズを含む正常データに対して優れたロバスト性を示し、トレーニング画像内の微小な異常による誤検出（ファルス・ポジティブ）を低減する。
• 公開データセットを用いた実験結果から、限定的な異常ラベルでさえも、半教師あり戦略が検出性能を向上させることの有効性が確認された。