[論文レビュー] SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification

Minghui Yang, Jing Liu+2 more|arXiv (Cornell University)|Apr 30, 2023

Anomaly Detection Techniques and Applications被引用数 8

ひとこと要約

SLSG は自己教師ありかつ自己注意的なグラフアプローチを用いて産業画像の異常検知を行い、偽の事前異常サンプルとグラフベースの推論を用いてワンクラス分類を改善します。

ABSTRACT

Industrial image anomaly detection under the setting of one-class classification has significant practical value. However, most existing models struggle to extract separable feature representations when performing feature embedding and struggle to build compact descriptions of normal features when performing one-class classification. One direct consequence of this is that most models perform poorly in detecting logical anomalies which violate contextual relationships. Focusing on more effective and comprehensive anomaly detection, we propose a network based on self-supervised learning and self-attentive graph convolution (SLSG) for anomaly detection. SLSG uses a generative pre-training network to assist the encoder in learning the embedding of normal patterns and the reasoning of position relationships. Subsequently, SLSG introduces the pseudo-prior knowledge of anomaly through simulated abnormal samples. By comparing the simulated anomalies, SLSG can better summarize the normal features and narrow down the hypersphere used for one-class classification. In addition, with the construction of a more general graph structure, SLSG comprehensively models the dense and sparse relationships among elements in the image, which further strengthens the detection of logical anomalies. Extensive experiments on benchmark datasets show that SLSG achieves superior anomaly detection performance, demonstrating the effectiveness of our method.

研究の動機と目的

• ワンクラス分類の下で産業界の異常検知を動機づけ、分離可能な特徴埋め込みの必要性を示す。
• 正常パターンとそれらの位置関係を捉える堅牢な特徴埋め込みを学習する。
• 偽の事前異常知識を模擬異常サンプルを通じて取り入れる。
• 密な要素関係と疎な要素関係を一般的なグラフ構造でモデル化し、論理異常の検出を向上させる。

提案手法

• エンコーダが正常パターンの埋め込みと位置推論を学習するのを支援する生成的事前学習ネットワークを用いる。
• 自己注意的グラフ畳み込みを組み込み、画像要素間の関係性を捉える。
• 模擬的な異常サンプルを通じて偽の事前異常知識を導入し、正常特徴の記述を洗練する。
• ワンクラス分類の超球を狭め、模擬異常と正常特徴を比較して要約を改善する。
• 密な要素関係と疎な要素関係をモデル化する一般的なグラフ構造を構築し、論理異常の検出を改善する。

実験結果

リサーチクエスチョン

• RQ1 産業用異常検知のために、より分離可能で堅牢な特徴埋め込みをどう学習できるか？
• RQ2 模擬異常サンプルからの偽の事前知識はワンクラス分類を改善できるか？
• RQ3 自己注意的グラフ構築は産業画像における関係をよりよく捉え、論理異常を検知できるか？

主な発見

• SLSG はベンチマークデータセットで優れた異常検知性能を達成する。
• 手法は正常特徴を効果的に要約し、ワンクラスの超球を引き締める。
• グラフベースの推論は密な関係と疎な関係をモデル化することで論理異常の検出を強化する。
• 自己教師あり事前学習は埋め込みと位置関係の両方の学習を支援する。
• 模擬異常はワンクラス学習を導く偽の事前知識を提供するのに役立つ。