[논문 리뷰] SLSG: Industrial Image Anomaly Detection by Learning Better Feature Embeddings and One-Class Classification

Minghui Yang, Jing Liu외 2명|arXiv (Cornell University)|2023. 04. 30.

Anomaly Detection Techniques and Applications인용 수 8

한 줄 요약

SLSG는 의사 선행 이상 샘플과 그래프 기반 추론을 이용하여 산업 이미지 이상 탐지에 대한 자기 감독(self-supervised) 및 자기 주의 그래프(self-attentive graph) 접근법을 제시하고, 원클래스 분류를 개선한다.

ABSTRACT

Industrial image anomaly detection under the setting of one-class classification has significant practical value. However, most existing models struggle to extract separable feature representations when performing feature embedding and struggle to build compact descriptions of normal features when performing one-class classification. One direct consequence of this is that most models perform poorly in detecting logical anomalies which violate contextual relationships. Focusing on more effective and comprehensive anomaly detection, we propose a network based on self-supervised learning and self-attentive graph convolution (SLSG) for anomaly detection. SLSG uses a generative pre-training network to assist the encoder in learning the embedding of normal patterns and the reasoning of position relationships. Subsequently, SLSG introduces the pseudo-prior knowledge of anomaly through simulated abnormal samples. By comparing the simulated anomalies, SLSG can better summarize the normal features and narrow down the hypersphere used for one-class classification. In addition, with the construction of a more general graph structure, SLSG comprehensively models the dense and sparse relationships among elements in the image, which further strengthens the detection of logical anomalies. Extensive experiments on benchmark datasets show that SLSG achieves superior anomaly detection performance, demonstrating the effectiveness of our method.

연구 동기 및 목표

• 원클래스 분류하에서 산업 이상 탐지의 동기와 구분 가능한 특징 임베딩의 필요성을 제시한다.
• 정상 패턴과 그것의 위치 관계를 포착하는 강건한 특징 임베딩을 학습한다.
• 모의 이상 샘플을 통해 의사 선행 이상 지식을 도입한다.
• 일반 그래프 구조를 사용하여 조밀한 및 희소한 요소 관계를 모델링하여 논리적 이상 탐지를 향상시킨다.

제안 방법

• 생성적 사전 학습 네트워크를 사용하여 인코더가 정상 패턴 임베딩과 위치 추론을 학습하도록 돕는다.
• 이미지 요소 간의 관계를 포착하기 위해 자기 주의 그래프 컨볼루션을 도입한다.
• 모의 이상 샘플을 통해 의사 선행 이상 지식을 도입하여 정상 특징 설명을 다듬는다.
• 시뮬레이션된 이상과의 비교를 통해 정상 특징을 더 잘 요약하여 원클래스 분류를 위한 초구를 좁히기 위해 모의 이상을 비교한다.
• 조밀한 및 희소한 요소 관계를 모델링하기 위한 일반 그래프 구조를 구성하여 논리적 이상 탐지 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 산업 이상 탐지를 위한 더 구분 가능한 및 강건한 특징 임베딩은 어떻게 학습할 수 있는가?
• RQ2 모의 이상 샘플로부터 얻은 의사 선행 지식이 원클래스 분류를 개선할 수 있는가?
• RQ3 자기 주의 그래프 구성이 산업 이미지에서 관계를 더 잘 포착하고 논리적 이상을 탐지하는가?

주요 결과

• SLSG는 벤치마크 데이터셋에서 우수한 이상 탐지 성능을 달성한다.
• 이 방법은 정상 특징을 효과적으로 요약하고 원클래스 초구를 더 촘촘하게 만든다.
• 그래프 기반 추론은 조밀한 및 희소한 관계를 모델링함으로써 논리적 이상 탐지 성능을 향상시킨다.
• 자기 지도 사전 학습은 임베딩과 위치 관계 학습을 도와준다.
• 모의 이상은 원클래스 학습을 유도하기 위한 의사 선행 지식을 제공하는 데 도움이 된다.