[논문 리뷰] AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning

Jou Won Song, Kyeongbo Kong외 3명|arXiv (Cornell University)|2021. 10. 07.

Anomaly Detection Techniques and Applications참고 문헌 24인용 수 37

한 줄 요약

AnoSeg는 hard augmentation, adversarial reconstruction, 좌표 채널을 이용한 자체 감독 학습으로 픽셀 단위의 이상 맵을 직접 생성하여, MVTec AD 데이터셋에서 최첨단 이상 분할 및 경쟁력 있는 탐지 성능을 달성합니다.

ABSTRACT

Anomaly segmentation, which localizes defective areas, is an important component in large-scale industrial manufacturing. However, most recent researches have focused on anomaly detection. This paper proposes a novel anomaly segmentation network (AnoSeg) that can directly generate an accurate anomaly map using self-supervised learning. For highly accurate anomaly segmentation, the proposed AnoSeg considers three novel techniques: Anomaly data generation based on hard augmentation, self-supervised learning with pixel-wise and adversarial losses, and coordinate channel concatenation. First, to generate synthetic anomaly images and reference masks for normal data, the proposed method uses hard augmentation to change the normal sample distribution. Then, the proposed AnoSeg is trained in a self-supervised learning manner from the synthetic anomaly data and normal data. Finally, the coordinate channel, which represents the pixel location information, is concatenated to an input of AnoSeg to consider the positional relationship of each pixel in the image. The estimated anomaly map can also be utilized to improve the performance of anomaly detection. Our experiments show that the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for the MVTec AD dataset. In addition, we compared the proposed method with the existing methods through the intersection over union (IoU) metric commonly used in segmentation tasks and demonstrated the superiority of our method for anomaly segmentation.

연구 동기 및 목표

• 사후 위치 추정이나 재구성 오류에 의존하기보다는 직접적인 픽셀 단위 이상 세분화를 동기 부여한다.
• 정상 데이터와 합성 이상으로부터 정확한 이상 맵을 생성하는 자체 감독 프레임워크를 개발한다.
• 데이터 증강, 적대적 학습, 위치 정보를 활용하여 분할 정확도를 향상시킨다.
• 생성된 이상 맵으로부터 이익을 얻는 이상 탐지기를 제공하여 탐지 성능을 향상시킨다.

제안 방법

• 정상 데이터로부터 합성 이상 데이터와 대응하는 그라운드 트루스 마스크를 만들기 위해 하드 증강을 사용한다.
• 합성 데이터에서 픽셀 단위 분할 손실로 자체 감독 방식으로 AnoSeg를 훈련한다.
• 입력 이미지와 이상 맵 쌍을 사용하여 정상 영역 분포를 평가하는 판별기를 포함한 적대적 손실을 도입한다.
• 생성기-판별기 구성으로 도움을 받아 재구성 손실을 마스크화하여 재구성이 정상 영역에 집중되도록 한다.
• 네트워크에 픽셀 위치 정보를 제공하기 위해 좌표 채널(CoordConv에서 영감을 받은)을 연결한다.

실험 결과

연구 질문

• RQ1 AnoSeg가 GT 라벨 없이도 합성 이상과 정상 데이터로부터 정확한 이상 맵을 직접 생성하도록 학습할 수 있는가?
• RQ2 정상 영역에 초점을 맞춘 적대적 학습과 좌표 채널이 재구성 기반 및 GradCAM 기반 방법보다 분할 정확도를 향상시키는가?
• RQ3 좌표 채널 정보가 위치 의존적 이상 탐지의 위치 결정 정확도를 어느 정도 향상시키는가?
• RQ4 생성된 이상 맵을 기존의 이상 탐지 프레임워크를 강화하는 데 효과적으로 사용할 수 있는가?

주요 결과

• AnoSeg는 이상 맵이 그라운드 트루스 마스크와 거의 일치하고 MVTec AD 데이터셋의 이상 분할에서 최첨단 방법을 능가한다.
• 이 방법은 사전 학습 모델에 의존하지 않고도 기존의 SOTA 방법들에 비해 더 높은 IoU 및 픽셀 단위 AUROC를 달성한다.
• 에블레이션 연구는 하드 증강, 마스킹 재구성과 함께 하는 적대적 학습, 그리고 좌표 채널 각각이 AUROC와 IoU의 개선에 기여함을 보여준다.
• AnoSeg의 맵을 이용한 이상 탐지기는 이미지 수준 AUROC에서도 경쟁력을 유지하여 탐지 및 분할 모두를 위한 생성 맵의 유용성을 입증한다.
• AnoSeg는 IoU 평가에서 임계값에 대한 강건성을 보여 주며 다양한 임계값 범위에서 우수한 성능을 유지한다.