[논문 리뷰] Unsupervised Anomaly Detection with Multi-scale Interpolated Gaussian Descriptors

Yuanhong Chen, Yu Tian외 2명|arXiv (Cornell University)|2021. 01. 25.

Anomaly Detection Techniques and Applications참고 문헌 92인용 수 10

한 줄 요약

이 논문은 다중 척도 보간된 가우시안 기술자(Descriptors)를 사용하여 정상 클래스가 훈련 데이터에서 부족하게 표현되는 경우의 강인성과 다중 척도의 구조적 및 비구조적 이상을 탐지하는 데 목적이 있는 새로운 비지도 이상 탐지 및 국소화 방법을 제안한다. 적대적 보간 특징과 가우시안 분류기를 활용함으로써, MNIST, Fashion-MNIST, CIFAR10, MVTec AD 및 두 개의 의료 데이터셋에서 최신 기술(SOTA) 성능을 달성한다.

ABSTRACT

Current unsupervised anomaly detection and pixel-wise anomaly localisation systems are commonly formulated as one-class classifiers that depend on an effective estimation of the distribution of normal images and robust criteria to identify anomalies. However, the distribution of normal images estimated by current systems tends to be unstable for classes of normal images that are under-represented in the training set, and the anomaly identification criteria commonly explored in the field does not work well for multi-scale structural and non-structural anomalies. In this paper, we introduce a new unsupervised anomaly detection and localisation method designed to address these two issues. More specifically, we introduce a normal image distribution estimation method that is robust to under-represented classes of normal images -- this method is based on adversarially interpolated descriptors from training images and a Gaussian classifier. We also propose a new anomaly identification criterion that can accurately detect and localise multi-scale structural and non-structural anomalies. In extensive experiments on MNIST, Fashion MNIST, CIFAR10, MVTec AD and two medical datasets, our approach shows better results than the current state of the art in the standard experimental setup for unsupervised anomaly detection and localisation. Code is available at this https URL.

연구 동기 및 목표

• 정상 클래스가 훈련 데이터에서 희소하게 표현될 경우 비지도 이상 탐지에서 정상 이미지 분포 추정의 불안정성을 해결한다.
• 기존의 이상 식별 기준이 다중 척도에서 구조적 및 비구조적 이상을 동시에 탐지하는 데 한계를 가진다는 점을 극복한다.
• 적대적 보간과 가우시안 분류기를 융합하여 더 안정적인 정상 분포 모델링을 구현하는 방법을 개발한다.
• 다양한 이상 유형을 다중 척도에서 정확하게 국소화할 수 있는 새로운 이상 탐지 기준을 설계한다.
• 다양한 기준 데이터셋에서 비지도 이상 탐지 및 픽셀 단위의 국소화에서 최신 기술(SOTA) 성능을 달성한다.

제안 방법

• 훈련 이미지에서 적대적 보간 기술자를 사용하여 정상 이미지 분포의 강인한 표현을 생성한다.
• 학습된 보간 기술자를 기반으로 가우시안 분류기를 적용하여 정상 데이터 분포의 안정적 추정을 가능하게 한다.
• 다양한 공간적 및 특징 척도에서의 이탈을 평가하는 다중 척도 이상 식별 기준을 도입한다.
• 보간된 특징을 활용하여 미세하고 복잡한 이상, 특히 비구조적 및 구조적 패턴에 대한 민감도를 향상시킨다.
• 훈련 중에 정상 이미지만을 사용하여 모델을 엔드 투 엔드로 비지도 방식으로 학습시킨다.
• 학습된 가우시안 분포와 다중 척도 이상 기준을 활용하여 추론 시 이상을 탐지하고 국소화한다.

실험 결과

연구 질문

• RQ1 적대적 보간 기술자가 정상 클래스가 희소한 경우 정상 이미지 분포 추정의 안정성을 향상시킬 수 있는가?
• RQ2 다중 척도 이상 식별 기준이 다양한 이미지 척도에서 구조적 및 비구조적 이상을 효과적으로 탐지할 수 있는가?
• RQ3 제안된 방법이 기존 최신 기술(SOTA) 접근법보다 비지도 이상 탐지 및 국소화에서 우월한 성능을 보일 수 있는가?
• RQ4 의료 영상 및 자연 이미지 벤치마크를 포함한 다양한 데이터셋에 대해 이 방법의 일반화 능력은 어느 정도인가?
• RQ5 보간된 특징의 사용이 이상 국소화 정확도를 어느 정도 향상시키는가?

주요 결과

• 제안된 방법은 MNIST, Fashion-MNIST, CIFAR10 및 MVTec AD에서 표준 비지도 이상 탐지 벤치마크에서 최신 기술(SOTA) 성능을 달성한다.
• 적대적 보간 기술자를 사용함으로써 정상 클래스가 희소한 경우에도 이상 탐지에 있어 뛰어난 강인성을 보인다.
• 다중 척도 이상 식별 기준은 높은 정밀도로 구조적 및 비구조적 이상을 성공적으로 국소화한다.
• 두 개의 의료 영상 데이터셋에서 기존 SOTA 방법을 초월하여 강력한 일반화 능력을 입증한다.
• 보간 기술자에 기반한 가우시안 분류기는 정상 샘플 수가 제한된 경우에도 안정적이고 효과적인 정상 분포 모델링을 제공한다.
• 다양한 데이터셋에서 일관된 성능 향상을 기록함으로써 제안된 구성 요소의 효과성을 확인한다.