Core Concepts
提案手法SemiRESTは、ブロック単位の分類問題として異常検知タスクを扱い、ラベル付けコストを大幅に削減しつつ、最先端の手法を大幅に上回る性能を達成する。
Abstract
本論文は、異常検知(Anomaly Detection: AD)の問題に取り組んでいる。ADは通常のサンプルしか訓練時に見られず、オンラインで異常を発見する必要があるため、非常に困難な課題である。最近提案された深層学習ベースのアプローチはこの問題を軽減できるが、実世界の産業アプリケーションのニーズを満たすには未だ課題がある。一方で、特定のADタスクでは、より高い精度を得るために、少数の異常サンプルを手動でラベル付けすることがある。しかし、この性能向上は膨大なアノテーション労力を必要とし、多くの実用シナリオでは現実的ではない。
本研究では、上記の2つの問題を統一的なフレームワークで解決する。まず、パッチマッチングベースのAD手法の成功に着想を得て、新しい位置制約パッチマッチングによって生成された残差を用いて、スライディングビジョントランスフォーマーモデルを訓練する。次に、従来のピクセル単位の分割問題をブロック単位の分類問題に置き換える。これにより、スライディングトランスフォーマーはラベル付けコストを大幅に削減しつつ、さらに高い精度を達成できる。さらに、ラベル付けコストをさらに削減するため、境界ボックスのみを使ってアノマリー領域にラベル付けすることを提案する。弱ラベルによって生じる未ラベル領域は、2つの新しいデータ拡張手法を備えた高度にカスタマイズされたセミ教師あり学習スキームを使って効果的に活用される。
提案手法「セミ教師あり残差トランスフォーマー」(SemiREST)は、教師なし、教師あり、セミ教師ありの各設定において、最先端の手法を大幅に上回る性能を示す。MVTec-AD、BTAD、KSDD2の3つの有名なベンチマークデータセットで、SemiRESTは新記録の異常検知精度を達成しながら、著しく低いアノテーションコストで実現している。
Stats
通常のサンプルしか訓練時に見られず、オンラインで異常を発見する必要がある
特定のADタスクでは、より高い精度を得るために、少数の異常サンプルを手動でラベル付けする
膨大なアノテーション労力を必要とし、多くの実用シナリオでは現実的ではない
Quotes
提案手法SemiRESTは、ブロック単位の分類問題として異常検知タスクを扱い、ラベル付けコストを大幅に削減しつつ、最先端の手法を大幅に上回る性能を達成する。
SemiRESTは、教師なし、教師あり、セミ教師ありの各設定において、最先端の手法を大幅に上回る性能を示す。