[논문 리뷰] Diversity-Measurable Anomaly Detection

Wenrui Liu, Hong Chang외 3명|arXiv (Cornell University)|2023. 03. 09.

Anomaly Detection Techniques and Applications인용 수 4

한 줄 요약

이 논문은 피라미드 변형 모듈(PDM)을 사용하여 원형 입력으로의 복원 기반 참조에서 다중 척도 변형장을 추정함으로써 일반 패턴과 측정 가능한 변형장을 분리함으로써 이상 탐지 성능을 햖थ한 재구성 기반 프레임워크인 다양성 측정 이상 탐지(DMAD)를 제안한다. 재구성된 기준에서 원본 입력으로의 다중 척도 변형을 모델링함으로써, 정상 변형에 대한 재구성 다양성을 향상시키면서도 이상 심각도를 정확히 측정할 수 있으며, 오염된 데이터에 대해서도 강건한 성능을 보이며 감시 및 산업 기준에서 최신 기술(SOTA) 수준의 성능을 달성한다.

ABSTRACT

Reconstruction-based anomaly detection models achieve their purpose by suppressing the generalization ability for anomaly. However, diverse normal patterns are consequently not well reconstructed as well. Although some efforts have been made to alleviate this problem by modeling sample diversity, they suffer from shortcut learning due to undesired transmission of abnormal information. In this paper, to better handle the tradeoff problem, we propose Diversity-Measurable Anomaly Detection (DMAD) framework to enhance reconstruction diversity while avoid the undesired generalization on anomalies. To this end, we design Pyramid Deformation Module (PDM), which models diverse normals and measures the severity of anomaly by estimating multi-scale deformation fields from reconstructed reference to original input. Integrated with an information compression module, PDM essentially decouples deformation from prototypical embedding and makes the final anomaly score more reliable. Experimental results on both surveillance videos and industrial images demonstrate the effectiveness of our method. In addition, DMAD works equally well in front of contaminated data and anomaly-like normal samples.

연구 동기 및 목표

• 비정상적인 이상을 탐지하는 데서 정상 패턴의 다양한 재구성과의 상충 관계를 해결하기 위해.
• 기존 방법에서 재구성 과정 중 비정상 정보가 뜻하지 않게 전달되어 발생하는 단기 학습 문제를 해결하기 위해.
• 이상 심각도와 정확히 상관관계를 가지는 기하학적 인식의 측정 가능한 다양성 지표를 개발하기 위해.
• 이상 탐지 성능을 저하시키지 않으면서 정상 변형에 대한 재구성 정밀도를 향상시키기 위해.

제안 방법

• 재구성된 기준 이미지에서 원본 입력으로의 다중 척도 2차원 변형장을 추정하는 피라미드 변형 모듈(PDM)을 도입하여 픽셀 수준의 변형을 캡처한다.
• 정상 패턴을 위한 압축된 밀집 프로토타입을 학습하기 위해 정보 압축 모듈(ICM)을 활용하여 메모리 사용량을 줄인다.
• 변형 추정과 프로토타입 임bedding을 분리함으로써 이상 점수에 비정상 정보의 편향이 생기지 않도록 보장한다.
• 임베딩의 밀집도를 향상시키고 변형 추정의 노이즈를 줄이기 위해 전경-배경 선택 모듈을 적용한다.
• 퇴화된 해를 방지하고 안정적인 변형 학습을 보장하기 위해 사이클 일관성, 부드러움 및 강도 제약 조건을 적용한다.
• PDM과 ICM을 통합하여 재구성 오차와 측정 가능한 변형 심각도를 기반으로 최종 이상 점수를 산출한다.

실험 결과

연구 질문

• RQ1 재구성 기반 모델에서 전통적인 재구성 오차를 넘어서 변형 기반 다양성 측정이 이상 탐지 성능을 향상시킬 수 있는가?
• RQ2 다양한 정상 패턴의 높은 재구성 품질을 유지하면서도 이질적인 이상으로의 일반화를 방지할 수 있는가?
• RQ3 이상 유사 정상 샘플이 포함된 오염된 훈련 데이터 하에서 제안된 방법이 얼마나 강건한가?
• RQ4 다중 척도 변형 모델링이 탐지 및 국소화 성능에 어떤 영향을 미치는가?
• RQ5 변형장이 이상 심각도에 대한 신뢰할 수 있고 측정 가능한 대체 지표로 기능할 수 있는가?

주요 결과

• DMAD는 감시 영상(Ped2) 및 산업 이미지(MVTec) 기준에서 모두 최신 기술(SOTA) 성능을 달성하여 탐지 및 국소화 성능 모두에서 이전 SOTA 방법을 능가한다.
• Ped2에서 DMAD는 전체 PPDM 설정으로 99.6%의 AUC를 기록하며, 오염된 데이터 하에서 성능이 3.7% 하락하는 MNAD를 크게 앞서나간다.
• 제거 실험 결과, PDM 또는 메모리 모듈을 제거할 경우 AUC가 각각 9.4%와 1.8% 감소함으로써 변형 모델링과 밀집 표현의 중요성을 확인한다.
• 변형 제약 조건의 하이퍼파rameter γ₃에 대해 성능이 넓은 범위에서 안정적이므로 안정적인 최적화가 가능함을 시사한다.
• 전경-배경 선택 및 변형 제약 조건은 밀집도를 향상시키고 단기 학습을 방지하며, 이를 제거할 경우 최대 1.8%의 성능 저하가 발생한다.
• PPDM 기반 구현은 역변형을 통해 이상을 정상 유사 패턴으로 변환함으로써 국소화 성능을 향상시키고 위치 정확도를 높인다.