[논문 리뷰] A Benchmark for Anomaly Segmentation.

Dan Hendrycks, Steven Basart외 4명|arXiv (Cornell University)|2019. 11. 25.

Anomaly Detection Techniques and Applications참고 문헌 34인용 수 50

한 줄 요약

이 논문은 실제 및 시뮬레이션된 주행 영상 데이터를 융합하여 현실적이고 다양한 이상 탐지가 가능한 대규모 이상 영역 분할을 위한 새로운 기준인 Combined Anomalous Object Segmentation (CAOS) 벤치마크를 제안한다. 다중 클래스 및 다중 레이블 설정에서 새로운 이상 외 영역(Out-of-Distribution, OOD) 검출기들을 제안하여 전체 이미지 이상 검출을 넘어서 대규모 이상 분할 분야에서의 성과를 크게 향상시킨다.

ABSTRACT

Detecting out-of-distribution examples is important for safety-critical machine learning applications such as self-driving vehicles. However, existing research mainly focuses on small-scale images where the whole image is considered anomalous. We propose to segment only the anomalous regions within an image, and hence we introduce the Combined Anomalous Object Segmentation benchmark for the more realistic task of large-scale anomaly segmentation. Our benchmark combines two novel datasets for anomaly segmentation that incorporate both realism and anomaly diversity. Using both real images and those from a simulated driving environment, we ensure the background context and a wide variety of anomalous objects are naturally integrated, unlike before. Additionally, we improve out-of-distribution detectors on large-scale multi-class datasets and introduce detectors for the previously unexplored setting of multi-label out-of-distribution detection. These novel baselines along with our anomaly segmentation benchmark open the door to further research in large-scale out-of-distribution detection and segmentation.

연구 동기 및 목표

• 전체 이미지를 이상으로 분류하는 것이 아니라, 이상 영역만을 분할하는 데 초점을 맞춰 대규모 인스턴스 수준 이상 탐지의 격차를 해소하기 위해.
• 실제 및 시뮬레이션된 주행 데이터를 활용하여 자연스러운 배경 맥락 속에 다양한 이상 물체를 통합함으로써 현실적인 벤치마크를 구축하기 위해.
• 새로운 검출 방법을 통해 대규모 다중 클래스 데이터셋에서 이상 외 영역 검출 성능을 향상시키기 위해.
• 이전에 탐색되지 않은 다중 레이블 이상 외 영역 검출 설정을 위한 검출기들을 도입하고 평가하기 위해.

제안 방법

• 실제 주행 영상과 시뮬레이션된 주행 환경에서 유래한 두 가지 신규 데이터셋을 융합하여 새로운 벤치마크인 CAOS를 구축한다.
• 다양한 이상 물체와 현실적인 배경 영상 요소를 통합하여 맥락적 및 이상 현상의 다양성을 보장한다.
• 대규모 다중 클래스 및 다중 레이블 이상 분할 작업에 특화된 새로운 이상 외 영역 검출 모델을 제안한다.
• 기존의 OOD 검출 기법을 개선하고 인스턴스 수준의 분할에 적합하도록 조정하여 이상 영역의 국소화에 중점을 둔다.
• 실제 및 합성 데이터를 모두 활용하여 다양한 이상 유형과 환경 조건에 걸쳐도 강건성과 일반화 능력을 확보한다.
• 픽셀 단위의 이상 점수를 예측하는 세그멘테이션 헤드를 활용하여 이미지 내 이상 물체의 정밀한 국소화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 다양하고 맥락적으로 통합된 이상 물체를 사용하여 실제 주행 환경에서의 대규모 이상 분할을 어떻게 현실적으로 벤치마크화할 수 있는가?
• RQ2 전체 이미지를 이상으로 분류하는 것이 아니라 이상 영역만을 분할하는 데 초점을 맞출 경우, 이상 외 영역 검출 성능에 어떤 향상이 이루어지는가?
• RQ3 기존의 OOD 검출 기법들이 다중 클래스 및 다중 레이블 이상 분할 설정에 적응되었을 때 성능는 어떻게 되는가?
• RQ4 시뮬레이션된 데이터는 현실적인 주행 환경에서 이상 분할 모델의 훈련 및 평가를 효과적으로 지원할 수 있는가?

주요 결과

• CAOS 벤치마크는 실제 및 시뮬레이션된 주행 데이터를 융합하고 다양한 자연스러운 이상 현상을 통합함으로써 이상 분할 모델의 보다 현실적인 평가를 가능하게 한다.
• 제안된 검출기는 기존 방법에 비해 대규모 다중 클래스 이상 분할 벤치마크에서 향상된 성능을 달성한다.
• 본 연구는 세그멘테이션 작업에서 다중 레이블 이상 외 영역 검출을 위한 첫 번째 효과적인 접근법을 도입하여 OOD 연구의 범위를 확장한다.
• 시뮬레이션된 데이터의 통합은 모델의 일반화 능력을 향상시키고, 더 넓은 범위의 이상 유형과 시나리오 맥락에서의 훈련을 가능하게 한다.