[論文レビュー] SIFT and SURF based feature extraction for the anomaly detection

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

Anomaly Detection Techniques and Applications被引用数 6

ひとこと要約

本稿では、工業用画像における異常検出のための深層学習の代替としてSIFTおよびSURF特徴抽出器を提案する。独自に構築したクッキー画像データセットを用いて、半教師あり学習およびワンクラス学習の評価を行い、SURFとワンクラスSVMを組み合わせた手法が87.5%のテスト精度および0.92のAUCを達成した。これは、半教師あり手法と同等の性能であり、大規模な異常データを必要としない手作業特徴抽出が異常検出に有効であることを示している。

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.

研究の動機と目的

• SIFTおよびSURFを工業用画像データセットにおける異常検出の特徴抽出器として評価すること。
• これらの特徴抽出器を用いて、限られた異常サンプルを用いる半教師あり学習と、異常サンプルを一切含まないワンクラス学習の性能を比較すること。
• 手作業で設計された特徴抽出器が、深層学習ベースの手法と同等またはそれ以上の性能を達成できるかどうかを評価すること。
• 再現可能性および今後の研究を促進するため、公開可能なデータセットおよびコードベースを提供すること。

提案手法

• SIFTおよびSURFアルゴリズムは、画像からキーポoinト記述子を抽出し、局所的な画像構造を表す高次元特徴ベクトルを生成する。
• 半教師あり学習の設定では、1,000枚の正常（OK）および50枚の不良（NOK）サンプルを用い、ワンクラス学習の設定では、1,000枚のOKサンプルのみを訓練に使用する。
• テストセットとして200枚のOKおよび200枚のNOKサンプルを用意し、ロジスティック回帰、SVM、SVDD、ナイーブベイズ、kNN、アンサンブルツリーの複数の分類器を訓練および評価する。
• SIFTおよびSURFの特徴ベクトルを分類器の入力として使用し、テスト精度およびAUCを性能指標として測定する。
• データ拡張として90°回転を適用し、データセットを4,900件に増強し、一貫性を保つためにバウンディングボックスのクロッピングを実施する。
• SIFTおよびSURFの性能を、異なる分類器および学習パラダイムの組み合わせで比較し、最適な構成を同定する。

実験結果

リサーチクエスチョン

• RQ1 SIFTおよびSURF特徴抽出器は、工業用画像における異常検出に効果的に機能するか？
• RQ2 SIFTおよびSURF特徴を用いた場合、ワンクラス学習の性能は半教師あり学習と比べてどうか？
• RQ3 特徴抽出器（SIFT対SURF）と分類器のどの組み合わせが最高の検出精度を達成するか？
• RQ4 手作業特徴を用いたワンクラス学習の性能は、実世界の異常検出において、半教師あり学習と同等か？

主な発見

• ワンクラス学習において、SURF特徴抽出器とワンクラスSVMを組み合わせた手法が、87.5%のテスト精度および0.92のAUCを達成し、他の組み合わせを上回った。
• 半教師ありSVMにSURFを適用した場合、89.5%のテスト精度および0.90のAUCを達成し、限られた異常データでも優れた性能を示した。
• SURFとSVMを組み合わせたワンクラス学習は、半教師あり学習と同等の結果を示し、高性能な性能を達成するためには異常データが必須ではないことを示した。
• SIFTはワンクラスSVDD訓練においてSURFを上回ったが、その他のほとんどの設定ではSURFがSIFTを常に上回り、精度およびAUCの両面で優れた性能を示した。
• 半教師あり設定で最も優れた性能を示したモデルは、SURFを用いたナイーブベイズで、89.0%の精度および0.92のAUCを達成した。
• 本研究では、SIFTおよびSURFからの手作業特徴が、特定の設定において最先端に近い異常検出性能を達成できることを確認した。深層学習アプローチと同等の性能を示す可能性を示している。