[論文レビュー] Unsupervised Anomaly Detection with Multi-scale Interpolated Gaussian Descriptors

Yuanhong Chen, Yu Tian+2 more|arXiv (Cornell University)|Jan 25, 2021

Anomaly Detection Techniques and Applications参考文献 92被引用数 10

ひとこと要約

本論文は、不十分に代表される正常クラスに対するロバスト性を向上させ、マルチスケールの構造的・非構造的異常を検出するため、マルチスケール補間ガウス記述子を用いた新しい教師なし異常検出および局所化手法を提案する。敵対的補間特徴量とガウス分類器を活用することで、MNIST、Fashion-MNIST、CIFAR10、MVTec AD、および2つの医療データセットにおいて最先端の性能を達成する。

ABSTRACT

Current unsupervised anomaly detection and pixel-wise anomaly localisation systems are commonly formulated as one-class classifiers that depend on an effective estimation of the distribution of normal images and robust criteria to identify anomalies. However, the distribution of normal images estimated by current systems tends to be unstable for classes of normal images that are under-represented in the training set, and the anomaly identification criteria commonly explored in the field does not work well for multi-scale structural and non-structural anomalies. In this paper, we introduce a new unsupervised anomaly detection and localisation method designed to address these two issues. More specifically, we introduce a normal image distribution estimation method that is robust to under-represented classes of normal images -- this method is based on adversarially interpolated descriptors from training images and a Gaussian classifier. We also propose a new anomaly identification criterion that can accurately detect and localise multi-scale structural and non-structural anomalies. In extensive experiments on MNIST, Fashion MNIST, CIFAR10, MVTec AD and two medical datasets, our approach shows better results than the current state of the art in the standard experimental setup for unsupervised anomaly detection and localisation. Code is available at this https URL.

研究の動機と目的

• 訓練データにおける正常クラスの代表が不十分な場合に生じる教師なし異常検出における正常画像分布推定の不安定性を解消すること。
• 複数スケールでの構造的および非構造的異常を検出できる既存の異常同定基準の限界を克服すること。
• より安定した正常分布モデリングが可能な、敵対的補間とガウス分類の組み合わせを実現する手法を開発すること。
• 複数スケールにおける多様な異常タイプを正確に局所化可能な新しい異常検出基準を設計すること。
• MNIST、Fashion-MNIST、CIFAR10、MVTec AD、および医療画像データセットを含む多様なベンチマークデータセットにおいて、教師なし異常検出およびピクセル単位の局所化で最先端の性能を達成すること。

提案手法

• 訓練画像からの敵対的補間記述子を用いて、正常画像分布のロバストな表現を生成する。
• 学習済み補間記述子をガウス分類器に適用し、正常データ分布の安定的推定を可能にする。
• 異なる空間的および特徴量スケールでのずれを評価するマルチスケール異常同定基準を導入する。
• 補間特徴量を活用して、微細で複雑な異常、特に非構造的および構造的パターンへの感受性を高める。
• 訓練中に正常画像のみを用いて、エンドツーエンドで教師なしにモデルを学習する。
• 推論段階では、学習済みのガウス分布とマルチスケール異常基準を用いて異常を検出し、局所化する。

実験結果

リサーチクエスチョン

• RQ1 敵対的補間記述子は、代表が不十分な正常クラスにおける正常画像分布推定の安定性を向上させることができるか？
• RQ2 マルチスケール異常同定基準は、異なる画像スケールで構造的および非構造的異常を効果的に検出できるか？
• RQ3 提案手法は、既存の最先端手法を上回る教師なし異常検出および局所化性能を達成するか？
• RQ4 本手法は、医療画像および自然画像ベンチマークを含む多様なデータセットに十分に一般化できるか？
• RQ5 補間特徴量の使用は、異常局所化精度をどの程度向上させるか？

主な発見

• 提案手法は、MNIST、Fashion-MNIST、CIFAR10、およびMVTec ADにおける標準的な教師なし異常検出ベンチマークで最先端の性能を達成した。
• 敵対的補間記述子の使用により、代表が不十分な正常クラスの異常検出において優れたロバスト性を示した。
• マルチスケール異常同定基準は、高い精度で構造的および非構造的異常を正しく局所化できた。
• 2つの医療画像データセットにおいても、既存のSOTA手法を上回り、強力な一般化能力を示した。
• 補間記述子上で学習されたガウス分類器は、正常サンプルが限られた状況でも安定的かつ効果的な正常分布モデルを提供した。
• 多様なデータセットにおいて一貫した改善が得られたことから、提案された各構成要素の有効性が確認された。