[논문 리뷰] Visual Anomaly Detection for Images: A Survey

Jie Yang, Ruijie Xu외 2명|arXiv (Cornell University)|2021. 09. 27.

Anomaly Detection Techniques and Applications참고 문헌 57인용 수 15

한 줄 요약

이 종합 검토는 이미지의 비지도 시각적 이상 탐지 방법에 대해 포괄적인 리뷰를 제공하며, 밀도 추정, 일류 분류, 이미지 복원, 자기지도 학습 등의 탐지 메커니즘별로 분류하고 있으며, 고전적 접근에서 딥 러닝 기반 접근으로의 발전 과정을 분석한다. MV-Tec AD와 같은 주요 벤치마크를 강조하며, 특징 정련 및 계층적 특징 매칭과 같은 유망한 방향성도 제시한다.

ABSTRACT

Visual anomaly detection is an important and challenging problem in the field of machine learning and computer vision. This problem has attracted a considerable amount of attention in relevant research communities. Especially in recent years, the development of deep learning has sparked an increasing interest in the visual anomaly detection problem and brought a great variety of novel methods. In this paper, we provide a comprehensive survey of the classical and deep learning-based approaches for visual anomaly detection in the literature. We group the relevant approaches in view of their underlying principles and discuss their assumptions, advantages, and disadvantages carefully. We aim to help the researchers to understand the common principles of visual anomaly detection approaches and identify promising research directions in this field.

연구 동기 및 목표

• 이미지에 대한 고전적이고 딥 러닝 기반의 시각적 이상 탐지 방법을 체계적으로 검토하는 것.
• 기반 탐지 메커니즘에 따라 비지도 접근 방식을 분류하고, 그 가정, 장점, 한계를 분석하는 것.
• 이상 샘플의 부족성과 이상 패턴의 다양성 등 시각적 이상 탐지의 핵심 과제를 규명하는 것.
• MV-Tec AD와 같은 표준화된 벤치마크에서 최신 기법을 평가하고, 다양한 데이터 카테고리 간 성능 격차를 부각하는 것.
• 자기지도 학습, 특징 정련, 계층적 특징 모델링과 같은 유망한 연구 방향을 제시하여 향후 연구를 이끌어내는 것.

제안 방법

• 이미지 수준 및 픽셀 수준의 비지도 이상 탐지 방법을 밀도 추정, 일류 분류, 이미지 복원, 자기지도 학습 분류의 네 가지 주요 그룹으로 분류한다.
• 수작업 특징(예: SIFT, HOG)과 전통적 기계 학습 기법(예: 일류 SVM, 오토에인코더)을 활용해 분포 모델링을 수행하는 딥 러닝 이전의 방법을 검토한다.
• 사전 훈련된 CNN(예: VGG19, ResNet18)을 활용해 계층적 특징을 추출하여 이상 탐지에 활용하는 딥 러닝 기반 방법을 분석한다.
• 딥 테처 특징의 근접 이웃 매칭을 활용해 패치 수준에서 이상 점수를 계산하는 특징 기반 접근 방식을 검토한다.
• 학생-선생 정련 프레임워크를 분석하며, 학생 네트워크가 사전 훈련된 선생 특징을 추정하여 예측 오차와 불확실성으로 이상을 탐지하는 방식을 다룬다.
• 기울기 기반 주의 메커니즘(예: Grad-CAM)과 해석 가능한 생성 모델(예: VAE)을 검토하여 국소화된 이상 설명을 제공한다.

실험 결과

연구 질문

• RQ1 밀도 추정, 일류 분류, 이미지 복원, 자기지도 학습 등의 다양한 탐지 메커니즘은 성능과 견고성 측면에서 어떻게 비교될 수 있는가?
• RQ2 기존의 얕은 특징 기반 방법은 다양한 이상 패턴을 다루는 데에 있어 어떤 핵심적인 한계를 지니는가?
• RQ3 딥 러닝 기반 방법은 사전 훈련된 네트워크에서 유도된 계층적 특징 표현을 어떻게 활용하여 이상 탐지 성능을 향상시키는가?
• RQ4 이상 샘플이 필요 없는 조건에서 자기지도 정련 프레임워크는 탐지 성능을 얼마나 향상시킬 수 있는가?
• RQ5 기존 방법들이 MV-Tec AD와 같은 벤치마크에서 다양한 카테고리 간에 불안정한 성능을 보이는 이유는 무엇이며, 그 근본 원인은 무엇인가?

주요 결과

• MV-Tec AD 벤치마크는 다양한 이상 카테고리 간에 뚜렷한 성능 변동성을 드러내며, 일반화 능력 향상에 여전히 큰 여지가 있음을 시사한다.
• 자기지도 정련 방법, 예를 들어 ResNet18 특징과 불확실성 인식 예측 오차를 활용한 방법은 지식 정련을 통해 MV-Tec AD에서 최신 기술 성능을 달성한다.
• 사전 훈련된 계층적 특징(예: VGG19 또는 ResNet18에서 유도)을 활용한 특징 매칭은 높은 정밀도로 효과적인 픽셀 수준의 이상 국소화를 가능하게 한다.
• 다중 척도 모델링 전략은 탐지의 견고성을 향상시키지만, 일반적으로 척도 간 상관관계를 간과한 채로 독립성을 가정하는 경우가 많다.
• 복원 또는 복원 기반 손실 함수에 의존하는 방법은 물체 이상 탐지에 강력한 성능을 보이지만, 질감 이상에는 어려움을 겪는다.
• 기울기 기반 주의 및 해석 가능한 생성 모델(예: VAE)은 국소화된 이상 설명을 제공하여 모델의 해석 가능성을 향상시킨다.