[論文レビュー] Set Features for Fine-grained Anomaly Detection

Niv Cohen, Issar Tzachor+1 more|arXiv (Cornell University)|Feb 23, 2023

Anomaly Detection Techniques and Applications被引用数 12

ひとこと要約

SINBAD は各サンプルを要素の無順集合としてモデル化し、乱数方向を用いた投影ヒストグラムとガウス（または kNN）密度推定を組み合わせて、訓練なしで微細かつ組み合わせ的な異常を検出します。画像レベルの論理的異常（MVTec-LOCO）と時系列異常検知で、データ拡張やトレーニングなしで最先端の結果を達成します。

ABSTRACT

Fine-grained anomaly detection has recently been dominated by segmentation based approaches. These approaches first classify each element of the sample (e.g., image patch) as normal or anomalous and then classify the entire sample as anomalous if it contains anomalous elements. However, such approaches do not extend to scenarios where the anomalies are expressed by an unusual combination of normal elements. In this paper, we overcome this limitation by proposing set features that model each sample by the distribution its elements. We compute the anomaly score of each sample using a simple density estimation method. Our simple-to-implement approach outperforms the state-of-the-art in image-level logical anomaly detection (+3.4%) and sequence-level time-series anomaly detection (+2.4%).

研究の動機と目的

• 通常の要素の異常でなく、異常な組み合わせから生じる異常を検出する必要性を動機づける。
• 要素の順序を無視し、分布特性を捉える集合ベースのサンプル記述を提案する。
• 集合記述子を用いた、シンプルで効果的な密度推定ベースの異常スコアを提供する。
• 訓練やデータ拡張なしで、画像レベルの論理異常（MVTec-LOCO）および時系列データセットで最先端の性能を示す。

提案手法

• 各サンプルを要素の集合として表現する（画像パッチまたは時系列ウィンドウ）。
• 事前学習済みネットワークによる特徴抽出または手工特徴による特徴抽出。
• 複数の乱数方向に沿って要素を投影し、値を1次元ヒストグラムにビンニングして集合ごとのヒストグラムを計算する。投影方向と特徴次元に沿って結合する。
• 正規データ分布をガウス密度推定器で推定し、負の対数尤度（マハラノビス距離または kNN のホワイトニング）で異常をスコア付けする。
• 複数の粒度レベルで手法を適用する（画像では異なる ResNet ブロック、時系列ではウィンドウピラミッド）してスコアを融合する。
• 局所的な異常に対応するために複数のクロップを使用することもでき、投影やレベルを横断してスコアを組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 セグメントレベルやグローバルな平均値に頼る代わりに、サンプルの要素の分布を無順集合としてモデル化することで異常を検出できるか。
• RQ2 集合要素の乱投影ヒストグラム表現は、画像と時系列データの微細なまたは論理的異常に対して識別能力を提供するか。
• RQ3 MVTec-LOCOや時系列データセットといったベンチマークで、集合特徴の単純な密度推定ベースのスコアリングは、最先端のセグメンテーションベースや再構成ベースの手法と比べてどうか。

主な発見

クラス	f-AnoGAN	MNAD	ST	SPADE	PCore	GCAD	SINBAD
Breakfast box	69.4	59.9	68.9	81.8	77.7	87.0	96.5
Juice bottle	82.4	70.5	82.9	91.9	83.7	100.0	96.6
Pushpins	59.1	51.7	59.5	60.5	62.2	97.5	83.4
Screw bag	49.7	60.8	55.5	46.8	55.3	56.0	78.6
Splicing connectors	68.8	57.6	65.4	73.8	63.3	89.7	89.3
Avg. Logical	65.9	60.1	66.4	71.0	69.0	86.0	88.9
Breakfast box (Structural)	50.7	60.2	68.4	74.7	74.8	80.9	87.5
Juice bottle (Structural)	77.8	84.1	99.3	84.9	86.7	98.9	93.1
Pushpins (Structural)	74.9	76.7	90.3	58.1	77.6	74.9	74.2
Screw bag (Structural)	46.1	56.8	87.0	59.8	86.6	70.5	92.2
Splicing connectors (Structural)	63.8	73.2	96.8	57.1	68.7	78.3	76.7
Avg. Structural	62.7	70.2	88.3	66.9	78.9	80.7	84.7
Avg. Total	64.3	65.1	77.4	68.9	74.0	83.4	86.8

• 集合ベースの特徴はMVTec-LOCOでの画像レベル論理異常検出において最先端を上回る。
• 時系列異常検知では、データ拡張や訓練なしで強い結果を出し、深層ベースのベースラインと比較して有利である。
• 乱方向ヒストグラム記述子は、通常集合と異常集合の分布の差を単純な平均よりも効果的に捉える。
• kNNホワイトニングまたはマハラノビス型スコアリングを用いたガウスモデル化は、純粋なガウススコアリングより頑健性を向上させる。
• 多重粒度（複数のResNetレベル、複数の時系列ウィンドウスケール）とクロップベースのアンサンブリングは、局所的な異常の性能を向上させる。