[논문 리뷰] SIFT and SURF based feature extraction for the anomaly detection

Šimon Bilík, Karel Horák|arXiv (Cornell University)|2022. 03. 24.

Anomaly Detection Techniques and Applications인용 수 6

한 줄 요약

이 논문은 산업 영상에서 이상 탐지에 대해 딥러닝의 대안으로 SIFT 및 SURF 특징 추출기를 사용하는 것을 제안한다. 자체 제작한 쿠키 데이터셋에서 준지도 학습 및 일종의 학습을 평가하여, SURF와 일종의 SVM 조합이 테스트 정확도 87.5%와 AUC 0.92를 기록함으로써 준지도 학습 방법과 유사한 성능을 보이며, 큰 이상 샘플 데이터가 필요하지 않은 이상 탐지에 수작업 특징의 타당성을 입증한다.

ABSTRACT

In this paper, we suggest a way, how to use SIFT and SURF algorithms to extract the image features for anomaly detection. We use those feature vectors to train various classifiers on a real-world dataset in the semi -supervised (with a small number of faulty samples) manner with a large number of classifiers and in the one-class (with no faulty samples) manner using the SVDD and SVM classifier. We prove, that the SIFT and SURF algorithms could be used as feature extractors, that they could be used to train a semi-supervised and one-class classifier with an accuracy around 89\% and that the performance of the one-class classifier could be comparable to the semi-supervised one. We also made our dataset and source code publicly available.

연구 동기 및 목표

• 산업 영상 데이터셋에서 이상 탐지에 대해 SIFT 및 SURF를 특징 추출기로 평가하기 위해.
• 이러한 특징을 사용하여 제한된 이상 샘플이 있는 준지도 학습과 이상 샘플이 전혀 없는 일종의 학습 간의 성능을 비교하기 위해.
• 수작업 특징 추출기가 딥러닝 기반 방법과 비슷하거나 이를 능가하는 성능을 달성할 수 있는지 평가하기 위해.
• 재현성 및 향후 연구를 위해 공개된 데이터셋과 코드베이스를 제공하기 위해.

제안 방법

• SIFT 및 SURF 알고리즘이 이미지에서 관점 기반 특징 기저를 추출하여 국소 이미지 구조를 나타내는 고차원 특징 벡터를 생성한다.
• 준지도 학습 설정은 정상(OK) 1,000개 및 결함(NG) 50개 샘플을 사용하며, 일종의 학습 설정은 훈련에 단지 1,000개의 OK 샘플만 사용한다.
• 테스트 세트로 200개의 OK 및 200개의 NOK 샘플을 사용하여 로지스틱 회귀, SVM, SVDD, 나이브 베이즈, kNN, 앙상블 트리 등 다양한 분류기들을 훈련하고 평가한다.
• SIFT 및 SURF의 특징 벡터를 분류기의 입력으로 사용하며, 성능은 테스트 정확도와 AUC로 측정한다.
• 데이터 증강을 위해 90도 회전을 적용하여 데이터셋을 4,900개로 확장하고, 일관성을 확보하기 위해 경계 상자 자르기 기법을 사용한다.
• 다양한 분류기와 학습 철학 간의 SIFT 및 SURF 성능을 비교하여 최적의 설정을 규명한다.

실험 결과

연구 질문

• RQ1 SIFT 및 SURF 특징 추출기가 산업 영상에서 이상 탐지에 효과적으로 기여할 수 있는가?
• RQ2 SIFT 및 SURF 특징을 사용할 때 일종의 학습 성능가 준지도 학습 성능와 비교해 볼 때 어떤가?
• RQ3 특징 추출기(SIFT 대비 SURF)와 분류기의 조합 중에서 가장 높은 탐지 정확도를 달성하는 조합은 무엇인가?
• RQ4 실제 이상 탐지 환경에서 수작업 특징을 사용한 일종의 학습 성능이 준지도 학습 성능와 유사한가?

주요 결과

• 일종의 학습에서 SURF 특징 추출기와 일종의 SVM 조합이 테스트 정확도 87.5%와 AUC 0.92를 기록하여 다른 조합보다 뛰어난 성능을 보였다.
• 준지도 학습에서 SURF를 사용한 SVM은 테스트 정확도 89.5%와 AUC 0.90을 달성하여 제한된 이상 샘플이 있는 조건에서도 뛰어난 성능을 보였다.
• SURF와 SVM을 사용한 일종의 학습이 준지도 학습과 유사한 결과를 도출하여, 높은 성능을 달성하기 위해 이상 샘플이 반드시 필요하지 않음을 시사했다.
• SIFT는 일종의 SVDD 학습에서 SURF를 능가했지만, 대부분의 다른 설정에서는 SURF가 정확도와 AUC에서 SIFT를 항상 앞섰다.
• 준지도 학습 설정에서 가장 뛰어난 성능을 보인 모델은 SURF를 사용한 나이브 베이즈로, 정확도 89.0%와 AUC 0.92를 기록했다.
• 이 연구는 SIFT 및 SURF에서 유도된 수작업 특징이 최신 기술 수준에 근접한 이상 탐지 성능을 달성할 수 있음을 확인하였으며, 특정 설정에서는 딥러닝 기반 접근법과 견줄 만한 성능을 보였다.