[论文解读] Semi-supervised Anomaly Detection Using GANs for Visual Inspection in Noisy Training Data.

Masanari Kimura, Takashi Yanagihara|arXiv (Cornell University)|Jul 3, 2018

Anomaly Detection Techniques and Applications参考文献 21被引用 10

一句话总结

本文提出了一种基于 GAN 的半监督异常检测方法，通过在训练过程中引入现有异常数据来扭曲生成模型的分布，从而在高分辨率工业图像中提升对像素级微小异常的检测精度。该方法缓解了由噪声正常的训练数据引起的性能下降问题，在异常标注有限的情况下，实现了对 1024×1024 图像的高精度检测。

ABSTRACT

The detection and the quantification of anomalies in image data are critical tasks in industrial scenes such as detecting micro scratches on product. In recent years, due to the difficulty of defining anomalies and the limit of correcting their labels, research on unsupervised anomaly detection using generative models has attracted attention. Generally, in those studies, only normal images are used for training to model the distribution of normal images. The model measures the anomalies in the target images by reproducing the most similar images and scoring image patches indicating their fit to the learned distribution. This approach is based on a strong presumption; the trained model should not be able to generate abnormal images. However, in reality, the model can generate abnormal images mainly due to noisy normal data which include small abnormal pixels, and such noise severely affects the accuracy of the model. Therefore, we propose a novel semi-supervised method to distort the distribution of the model with existing abnormal images. The proposed method detects pixel-level micro anomalies with a high accuracy from 1024x1024 high resolution images which are actually used in an industrial scene. In this paper, we share experimental results on open datasets, due to the confidentiality of the data.

研究动机与目标

• 解决由于包含微小异常像素的噪声正常训练数据导致的工业视觉检测中异常检测不准确的问题。
• 通过在训练过程中引入现有异常图像，扭曲学习到的正常分布，提升基于 GAN 的异常检测模型的鲁棒性。
• 实现在工业场景中常用高分辨率（1024×1024）图像中对微小异常的精确像素级检测。
• 通过引入半监督框架，利用有限的异常样本，减少对完全无监督训练的依赖（后者假设正常数据完美无瑕）。
• 在真实工业场景中提升模型的泛化能力与检测精度，此类场景通常存在异常标签稀缺且正常数据不完美的问题。

提出的方法

• 提出一种半监督训练策略，利用正常图像和少量现有异常图像联合训练基于 GAN 的异常检测模型。
• 通过在训练过程中暴露于异常图像块，扭曲生成模型学习到的分布，降低其生成异常样本的倾向。
• 训练 GAN 以重建正常图像块，同时对与异常模式对齐的重建结果施加惩罚，从而在推理阶段提升判别能力。
• 使用重建损失衡量输入图像块与学习到的正常分布的拟合程度，异常分数由重建误差推导得出。
• 通过将 1024×1024 图像划分为图像块进行处理，并在像素级别聚合异常分数，实现对大图像的检测。
• 利用判别器的特征表示，提升在高分辨率设置下对微小异常的定位能力。

实验结果

研究问题

• RQ1 在存在噪声正常数据的情况下，通过在训练过程中引入现有异常图像，是否能够提升基于 GAN 的异常检测模型的鲁棒性？
• RQ2 半监督训练在多大程度上能降低模型生成异常样本的倾向，即使正常数据中包含微小异常？
• RQ3 与完全无监督基线相比，所提出方法在高分辨率（1024×1024）工业图像中检测像素级微小异常的效率如何？
• RQ4 通过异常数据扭曲模型学习到的分布，是否能在无需大量异常标注的情况下提升检测精度？

主要发现

• 与完全无监督的基于 GAN 的方法相比，所提出的半监督方法在高分辨率图像中对微小异常的检测精度显著提升。
• 通过在训练过程中引入现有异常图像，即使正常数据中包含微小异常像素，模型也更少生成异常样本。
• 该方法在 1024×1024 图像中实现了高精度的像素级异常定位，适用于实际工业检测系统。
• 模型对噪声正常数据表现出更强的鲁棒性，有效减少了因训练图像中存在微小异常导致的误报。
• 在公开数据集上的实验结果证实，该半监督策略在仅使用极少异常标注的情况下，显著提升了检测性能。