[论文解读] AnoSeg: Anomaly Segmentation Network Using Self-Supervised Learning

Jou Won Song, Kyeongbo Kong+3 more|arXiv (Cornell University)|Oct 7, 2021

Anomaly Detection Techniques and Applications参考文献 24被引用 37

一句话总结

AnoSeg 直接使用自监督学习，通过强增强、对抗性重建和坐标通道生成像素级的异常图，达到在 MVTec AD 数据集上的最先进的异常分割和在检测上的竞争力。

ABSTRACT

Anomaly segmentation, which localizes defective areas, is an important component in large-scale industrial manufacturing. However, most recent researches have focused on anomaly detection. This paper proposes a novel anomaly segmentation network (AnoSeg) that can directly generate an accurate anomaly map using self-supervised learning. For highly accurate anomaly segmentation, the proposed AnoSeg considers three novel techniques: Anomaly data generation based on hard augmentation, self-supervised learning with pixel-wise and adversarial losses, and coordinate channel concatenation. First, to generate synthetic anomaly images and reference masks for normal data, the proposed method uses hard augmentation to change the normal sample distribution. Then, the proposed AnoSeg is trained in a self-supervised learning manner from the synthetic anomaly data and normal data. Finally, the coordinate channel, which represents the pixel location information, is concatenated to an input of AnoSeg to consider the positional relationship of each pixel in the image. The estimated anomaly map can also be utilized to improve the performance of anomaly detection. Our experiments show that the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for the MVTec AD dataset. In addition, we compared the proposed method with the existing methods through the intersection over union (IoU) metric commonly used in segmentation tasks and demonstrated the superiority of our method for anomaly segmentation.

研究动机与目标

• 推动直接的像素级异常分割，而不是依赖事后定位或重建误差。
• 开发一个自监督框架，从正常数据和合成异常中生成准确的异常图。
• 利用数据增强、对抗学习和位置信息来提高分割保真度。
• 提供一个利用生成的异常图提升检测性能的异常检测器。

提出的方法

• 使用强增强从正常数据创建合成的异常数据及其对应的地面真值掩码。
• 以像素级分割损失在合成数据上进行自监督训练 AnoSeg。
• 结合对抗损失，使用评估输入图像和异常图对的正常区域分布的判别器。
• 应用掩膜重建损失，使重建聚焦于正常区域，在生成器–判别器框架的帮助下。
• 连接坐标通道（受 CoordConv 启发）以向网络提供像素位置信息。

实验结果

研究问题

• RQ1 在没有地面真值标签的情况下，AnoSeg 能否直接从合成异常和正常数据中学习生成准确的异常图？
• RQ2 以正常区域为焦点的对抗学习与坐标通道是否能在分割精度上超越基于重建和 GradCAM 的方法？
• RQ3 坐标通道信息在多大程度上改善了对位置相关异常的定位？
• RQ4 生成的异常图是否能有效用于提升现有的异常检测框架？

主要发现

• AnoSeg 生成的异常图与地面真值掩码高度相似，并在 MVTec AD 数据集的异常分割任务上超越了最先进的方法。
• 该方法在 IoU 和像素级 AUROC 方面优于常规的 SOTA 方法，且不依赖于预训练模型。
• 消融研究表明，强增强、带掩膜重建的对抗学习和坐标通道分别对 AUROC 和 IoU 的提升有所贡献。
• 使用 AnoSeg 图生成的异常图的异常检测器在图像级 AUROC 上保持具有竞争力，证明了生成的图在检测与分割方面的有效性。
• AnoSeg 在 IoU 评估中的阈值鲁棒性，能够在一系列阈值下保持优越的性能。