[논문 리뷰] PNI : Industrial Anomaly Detection using Position and Neighborhood Information

Jaehyeok Bae, Jae-Han Lee외 1명|arXiv (Cornell University)|2022. 11. 22.

Anomaly Detection Techniques and Applications인용 수 8

한 줄 요약

PNI는 다층 신경망을 통해 위치 및 주변 정보 기반 조건부 확률을 이용해 정상 특징 분포를 모델링하고, 합성 이상 데이터로 훈련된 별도의 네트워크를 통해 이상 맵을 보정함으로써 산업적 이상 탐지 및 국소화에 대한 새로운 방법을 제안한다. MVTec AD 벤치마크에서 이상 탐지에 99.56% AUROC, 국소화에 98.98%를 기록하여 최신 기술 수준을 초월한다.

ABSTRACT

Because anomalous samples cannot be used for training, many anomaly detection and localization methods use pre-trained networks and non-parametric modeling to estimate encoded feature distribution. However, these methods neglect the impact of position and neighborhood information on the distribution of normal features. To overcome this, we propose a new algorithm, extbf{PNI}, which estimates the normal distribution using conditional probability given neighborhood features, modeled with a multi-layer perceptron network. Moreover, position information is utilized by creating a histogram of representative features at each position. Instead of simply resizing the anomaly map, the proposed method employs an additional refine network trained on synthetic anomaly images to better interpolate and account for the shape and edge of the input image. We conducted experiments on the MVTec AD benchmark dataset and achieved state-of-the-art performance, with extbf{99.56\%} and extbf{98.98\%} AUROC scores in anomaly detection and localization, respectively.

연구 동기 및 목표

• 기존 방법들이 이상 탐지 과정에서 정상 특징 분포의 위치 및 주변 상관관계를 忽시하는 한계를 해결하기 위해.
• 공간적 맥락과 이웃 특징을 기반으로 조건부 정상 특징 분포를 모델링하여 국소화 정확도를 향상시키기 위해.
• 합성 데이터를 활용한 이상 맵 보정을 통해 산업 검사에서의 오진 및 빠진 이상 비율을 감소시키기 위해.
• 실제 이상 훈련 샘플에 의존하지 않고도 고정밀도의 결함 국소화를 가능하게 하기 위해.

제안 방법

• 모든 훈련 이미지에서 각 공간 위치에 대해 정상 특징의 히스토그램을 구성함으로써 위치 정보를 모델링한다.
• 이웃 특징의 종속성을 다층 신경망(MLP)을 사용하여 이웃 특징의 연결을 조건부로 하여 정상 특징 분포를 모델링한다.
• 이웃 특징 모델링에서 유도된 조건부 확률과 히스토그램 기반 분포를 조합하여 이상 점수를 계산한다.
• 합성 이상 이미지 전용으로 훈련된 별도의 보정 네트워크를 통해 이상 맵의 공간 정밀도를 향상시킨다. 이는 가장자리 및 형태 정확도를 향상시킨다.
• 보정 네트워크는 특징 인코딩 또는 점수 추정에 사용되지 않고, 유일하게 추론 후 최종 이상 맵을 보정하기 위해 사용된다.
• 사전 훈련된 네트워크와 비모수적 특징 모델링을 사용하는 모든 표현 기반 접근법과 호환된다.

실험 결과

연구 질문

• RQ1 정상 특징 분포 모델링에 위치 및 주변 정보를 통합함으로써 이상 탐지 및 국소화 성능 향상이 가능한가?
• RQ2 이웃 특징에 대한 조건부 확률을 모델링하면 미세한 구조적 이상 탐지에 어떤 영향을 미치는가?
• RQ3 합성 데이터로 훈련된 보정 네트워크가 이상 맵의 공간 정밀도를 어느 정도 향상시킬 수 있는가?
• RQ4 위치 및 주변 정보 모델링의 통합이 산업 검사에서 오진 및 빠진 이상 비율을 감소시키는가?

주요 결과

• PNI는 MVTec AD 벤치마크에서 이상 탐지에 99.56% AUROC, 국소화에 98.98%를 기록하여 이전 최신 기술 수준을 초월한다.
• 이웃 정보만을 포함시켜도 이상 탐지 AUROC가 98.92%에서 99.44%로 향상되어 오류율 약 48.1% 감소.
• 위치 정보는 객체의 하위 카테고리에서는 뚜렷한 성능 향상을 보였지만, 무늬 카테고리에서는 최소한의 향상만을 기록하여 예상된 바와 일치.
• 픽셀 단위의 보정은 금속 너트 하위 카테고리에서 오진률을 10.7% (PatchCore)에서 9.5%로, 오진률을 3.4%에서 2.0%로 감소시켰다.
• 1,725장의 테스트 이미지에서 총 오분류 오류는 PatchCore의 42건에서 PNI로 19건으로 감소하였으며, 오진은 7건(비교 대상 19건), 오진은 12건(비교 대상 23건)으로 각각 감소.
• BTAD 데이터셋에서 PNI는 평균 P-AUROC 97.8%를 기록하여 모든 제품 카테고리에서 비교된 최신 기술 수준 방법들을 압도했다.