[논문 리뷰] Semi-supervised Anomaly Detection Using GANs for Visual Inspection in Noisy Training Data.

Masanari Kimura, Takashi Yanagihara|arXiv (Cornell University)|2018. 07. 03.

Anomaly Detection Techniques and Applications참고 문헌 21인용 수 10

한 줄 요약

이 논문은 기존의 비정상 데이터로 생성 모델의 분포를 왜곡함으로써 고해상도 산업 영상에서 픽셀 수준의 미세 이상을 검출하는 데 정확도를 향상시키는 GAN 기반의 준지도 학습 이상 탐지 방법을 제안한다. 이 방법은 노이즈가 섞인 정상 훈련 데이터로 인한 성능 저하를 완화하며, 제한된 이상 레이블 조건에서도 1024×1024 이미지에서 고정밀도 탐지 성능을 달성한다.

ABSTRACT

The detection and the quantification of anomalies in image data are critical tasks in industrial scenes such as detecting micro scratches on product. In recent years, due to the difficulty of defining anomalies and the limit of correcting their labels, research on unsupervised anomaly detection using generative models has attracted attention. Generally, in those studies, only normal images are used for training to model the distribution of normal images. The model measures the anomalies in the target images by reproducing the most similar images and scoring image patches indicating their fit to the learned distribution. This approach is based on a strong presumption; the trained model should not be able to generate abnormal images. However, in reality, the model can generate abnormal images mainly due to noisy normal data which include small abnormal pixels, and such noise severely affects the accuracy of the model. Therefore, we propose a novel semi-supervised method to distort the distribution of the model with existing abnormal images. The proposed method detects pixel-level micro anomalies with a high accuracy from 1024x1024 high resolution images which are actually used in an industrial scene. In this paper, we share experimental results on open datasets, due to the confidentiality of the data.

연구 동기 및 목표

• 소규모 비정상 픽셀을 포함한 노이즈가 섞인 정상 훈련 데이터로 인해 산업 영상 검사에서 이상 탐지가 정확하지 않은 문제를 해결한다.
• 훈련 중 기존의 비정상 영상 데이터를 통합하여 학습된 정상 분포를 왜곡함으로써 GAN 기반 이상 탐지 모델의 강건성을 향상시킨다.
• 산업 현장에서 흔히 사용되는 고해상도(1024×1024) 이미지에서 미세 이상을 픽셀 수준으로 정밀하게 탐지할 수 있도록 한다.
• 완전히 비지도 학습이 이상 데이터가 완벽하게 정상임을 전제로 하므로 이를 줄이기 위해 제한된 비정상 예제를 활용하는 준지도 학습 프레임워크를 도입한다.
• 이상 레이블이 부족하고 정상 데이터가 완벽하지 않은 실제 산업 환경에서 모델의 일반화 능력과 탐지 정확도를 향상시킨다.

제안 방법

• 정상 이미지와 소량의 기존 비정상 이미지를 사용하여 GAN 기반 이상 탐지 모델을 훈련하는 준지도 학습 전략을 도입한다.
• 훈련 중 비정상 패치를 노출시켜 생성 모델이 학습한 분포를 왜곡함으로써 이상 샘플을 생성하는 경향을 줄인다.
• 정상 이미지 패치를 재구성하는 GAN을 훈련하면서 비정상 패턴과 일치하는 재구성 결과를 제재함으로써 추론 시 분별 능력을 향상시킨다.
• 입력 패치가 학습된 정상 분포에 얼마나 잘 맞는지 측정하기 위해 재구성 손실을 사용하며, 이상 점수는 재구성 오차에서 유도한다.
• 1024×1024 이미지에 대해 패치로 처리하고 픽셀 수준에서 이상 점수를 집계함으로써 적용한다.
• 특히 고해상도 환경에서 미세 이상의 국소화를 향상시키기 위해 판별기의 특징 표현을 활용한다.

실험 결과

연구 질문

• RQ1 노이즈가 섞인 정상 데이터가 존재하는 상황에서 훈련 중 기존의 비정상 영상을 통합함으로써 GAN 기반 이상 탐지 모델의 강건성이 향상되는가?
• RQ2 정상 데이터에 경미한 이상이 포함되어 있을 때조차, 준지도 학습이 모델이 이상 샘플을 생성하는 경향을 어느 정도 감소시키는가?
• RQ3 완전히 비지도 기반 기준 모델 대비, 제안된 방법은 고해상도(1024×1024) 산업 영상에서 픽셀 수준의 미세 이상 탐지에 얼마나 효과적인가?
• RQ4 비정상 데이터로 모델이 학습한 분포를 왜곡함으로써, 광범위한 이상 레이블 없이도 탐지 정확도 향상이 가능한가?

주요 결과

• 제안된 준지도 학습 방법은 완전히 비지도 학습 기반 GAN 기반 접근법에 비해 고해상도 이미지에서 미세 이상 탐지 정확도를 크게 향상시킨다.
• 훈련 중 기존의 비정상 영상을 통합함으로써, 정상 데이터에 소규모 비정상 픽셀이 포함되어 있어도 모델이 이상 샘플을 생성할 가능성이 줄어든다.
• 1024×1024 이미지에서 고정밀도 픽셀 수준의 이상 국소화를 달성하여 실제 산업 검사 시스템에 적합하다.
• 노이즈가 섞인 정상 데이터에 대해 강건성이 향상되어 훈련 이미지 내 경미한 이상으로 인한 오분류를 줄였다.
• 공개 데이터셋을 활용한 실험 결과, 제한된 이상 레이블로도 준지도 학습 전략이 탐지 성능 향상에 효과적임을 확인했다.