[論文レビュー] SoftPatch: Unsupervised Anomaly Detection with Noisy Data

Xi Jiang, Huiling Chen+7 more|arXiv (Cornell University)|Mar 21, 2024

Anomaly Detection Techniques and Applications被引用数 36

ひとこと要約

SoftPatchはノイズで汚染された訓練データに対してロバストに無監視の異常検知を行うために、ノイズ判別器とパッチレベルのノイズ除去、およびソフトウェイト付きメモリーバンクを導入し、MVTecADとBTADでノイズ下の最先端結果を達成する。

ABSTRACT

Although mainstream unsupervised anomaly detection (AD) algorithms perform well in academic datasets, their performance is limited in practical application due to the ideal experimental setting of clean training data. Training with noisy data is an inevitable problem in real-world anomaly detection but is seldom discussed. This paper considers label-level noise in image sensory anomaly detection for the first time. To solve this problem, we proposed a memory-based unsupervised AD method, SoftPatch, which efficiently denoises the data at the patch level. Noise discriminators are utilized to generate outlier scores for patch-level noise elimination before coreset construction. The scores are then stored in the memory bank to soften the anomaly detection boundary. Compared with existing methods, SoftPatch maintains a strong modeling ability of normal data and alleviates the overconfidence problem in coreset. Comprehensive experiments in various noise scenes demonstrate that SoftPatch outperforms the state-of-the-art AD methods on the MVTecAD and BTAD benchmarks and is comparable to those methods under the setting without noise.

研究の動機と目的

• 画像センサタスクにおける無監視の異常検知におけるノイズのある訓練データという実践的な課題を強調する。
• コアセット構築前にノイズパッチをフィルタリングするパッチレベルのデノイジング戦略を提案する。
• ノイズパッチを頑健に識別しコアセットサンプルをソフトに重み付けする3つのノイズ判別器を導入する。
• メモリを増強したSoftPatchフレームワークが頑健性を向上させ、正常データのモデリングを強力に維持することを示す。
• ノイズ条件下での性能向上を示すMVTecADとBTADに関する実証的証拠を提供する。

提案手法

• コアセットサンプリングの前に各パッチに外れ値スコアを割り当てるためにパッチレベルのノイズ判別器を使用する。
• 空間的位置で特徴をグループ化し、ノイズスコアが最も高い上位 tauパーセントのパッチを除去してデノイズドコアセットを形成する。
• 最近傍法（Nearest Neighbor）、多変量正規分布（Mahalanobis距離）、Local Outlier Factor (LOF) の3つのノイズスコアリング手法を検討し、LOFが最良の性能を示す。
• デノイズドコアセットと対応するパッチごとの外れ値ウェイトを推論時のソフト再重み付けのためにメモリーバンクに格納する。
• メモリーバンク上で最近傍探索により画像レベルの異常スコアを計算し、パッチレベルの距離をソフトウェイトで加重する。最大パッチスコアを画像スコアとして採用する。
• Optionally adopt different backbones and coreset sampling ratios consistent with PatchCore baselines; maintain a constant threshold tau and LOF parameter k for robustness.

実験結果

リサーチクエスチョン

• RQ1 トレーニング時にノイズデータを用いることは、無監視の画像センサ異常検知にどのような影響を与えるのか。
• RQ2 パッチレベルのデノイジングはラベルレベルのノイズの下でメモリ強化型異常検知器の頑健性を改善できるか。
• RQ3 ノイズ判別器とソフト再重み付けは、ノイズのある訓練サンプルによる過信と誤分類を緩和できるか。
• RQ4 ノイズがある訓練データ時に、SoftPatchは標準的な最先端手法と比べてどの程度性能を発揮するか。
• RQ5 この設定におけるパッチレベルのデノイジングに最も効果的なノイズスコアリング戦略は何か。

主な発見

• SoftPatchはNo OverlapおよびOverlapノイズ設定の下で、MVTecADに対する最先端手法よりノイズ付き訓練データへ対する頑健性が高い。
• SoftPatch-LOFは、ノイズシナリオ全体で頑健性と容量のバランスを取り、全体的な最良の性能を達成する。
• ガウス分布に基づくモデリングはデノイジングに役立つが、LOFベースのパッチレベル識別がノイズ設定で最良の性能を提供する。
• SoftPatchは訓練データにノイズが含まれていてもBTADでリーディングな性能を維持し、似た外観をもつ欠陥にも対応できる。
• ノイズ比率を上げるとPatchCoreの方がSoftPatchより急速に性能が低下するため、パッチレベルのデノイジングと再重み付けの頑健性が示される。