[論文レビュー] SimpleNet: A Simple Network for Image Anomaly Detection and Localization

Zhikang Liu, Yiming Zhou+2 more|arXiv (Cornell University)|Mar 27, 2023

Anomaly Detection Techniques and Applications被引用数 15

ひとこと要約

SimpleNet は、軽量な特徴空間異常生成器と単純な識別器を用いた、教師なしの画像異常検知と局在化を実現し、MVTec AD で高速推論を可能にする最先端の結果を達成します。

ABSTRACT

We propose a simple and application-friendly network (called SimpleNet) for detecting and localizing anomalies. SimpleNet consists of four components: (1) a pre-trained Feature Extractor that generates local features, (2) a shallow Feature Adapter that transfers local features towards target domain, (3) a simple Anomaly Feature Generator that counterfeits anomaly features by adding Gaussian noise to normal features, and (4) a binary Anomaly Discriminator that distinguishes anomaly features from normal features. During inference, the Anomaly Feature Generator would be discarded. Our approach is based on three intuitions. First, transforming pre-trained features to target-oriented features helps avoid domain bias. Second, generating synthetic anomalies in feature space is more effective, as defects may not have much commonality in the image space. Third, a simple discriminator is much efficient and practical. In spite of simplicity, SimpleNet outperforms previous methods quantitatively and qualitatively. On the MVTec AD benchmark, SimpleNet achieves an anomaly detection AUROC of 99.6%, reducing the error by 55.5% compared to the next best performing model. Furthermore, SimpleNet is faster than existing methods, with a high frame rate of 77 FPS on a 3080ti GPU. Additionally, SimpleNet demonstrates significant improvements in performance on the One-Class Novelty Detection task. Code: https://github.com/DonaldRR/SimpleNet.

研究の動機と目的

• 異常がまれで多様な工業画像において、頑健な異常検知と局在化を動機づける。
• 事前学習済み特徴とターゲットドメイン適応器を活用してドメインバイアスを低減する。
• 有効なネガティブサンプルを作成するために、画像空間ではなく特徴空間で異常を合成する。
• 訓練中に通常特徴と異常特徴を識別するため、単純な識別器を用いる。
• MVTec AD ベンチマークとワン・クラス新規検出で高い性能と高速推論を示す。

提案手法

• 複数の階層から局所特徴を取得するために、事前学習済みの Feature Extractor を用いる。
• 抽出された特徴をターゲットドメイン空間に射影するために Feature Adaptor を適用する。
• 適応された正常特徴にガウスノイズを加えて異常特徴を生成する（訓練時のみ）。
• 特徴空間で通常特徴と異常特徴を識別するための2値識別器を訓練する。
• 推論時には異常特徴生成器を破棄し、単一ストリームのネットワークを実現する。
• 識別器で異常をスコア付けし、位置ごとの異常マップと画像レベルのスコアを得る。

実験結果

リサーチクエスチョン

• RQ1 工業用異常検知において、事前学習済みバックボーンによるドメインバイアスをどのように低減できるか？
• RQ2 特徴空間での異常合成は、画像空間での合成や完全に教師ありのアプローチより優れているか？
• RQ3 特徴アダプタと組み合わせた場合、単純な識別器で効果的な異常局在化と検出が可能か？
• RQ4 MVTec AD における先行最先端手法と比較した場合の精度と推論速度のトレードオフは？
• RQ5 SimpleNet はワン・クラス新規検出タスクへどれだけよく一般化するか？

主な発見

• 3080ti GPU で 77 FPS 推論、MVTec AD で I-AUROC 99.6% を達成し、精度と速度の両面で従来手法を上回る。
• MVTec AD の複数のテクスチャおよびオブジェクトカテゴリで最先端手法を上回る。
• WideResNet50 バックボーン下で SimpleNet の平均 I-AUROC は 99.6%、平均 P-AUROC は 98.1% である。
• 単一の FC 層を用いた特徴アダプタがアブレーションで最良の性能を提供し、識別器はコンパクトでターゲット揃いの特徴空間から恩恵を受けることを示唆する。
• アブレーションは、適度なガウスノイズスケール（sigma ≈ 0.015）が検出精度と学習安定性のバランスを取ることを示し、より複雑なアダプタは性能を損なうことがある。
• CIFAR-10 のワン・クラス新規検出は、いくつかのベースラインと競合するか、あるいはそれを上回る性能を示す。