Core Concepts
제한된 예산으로 효율적으로 이상을 탐지할 수 있는 반지도 학습 기반 알고리즘을 제안한다.
Abstract
이 논문은 이상 탐지(Anomaly Detection, AD) 문제를 효율적으로 해결하기 위한 새로운 방법을 제안한다.
기존 AD 알고리즘은 정상 데이터만을 사용하거나 소수의 이상 데이터를 사용하는데, 이는 실제 산업 현장에서 많은 주석 비용이 발생한다는 문제가 있다.
이 논문에서는 블록 단위 분류와 반지도 학습 기법을 결합하여 이상 탐지 성능을 높이면서도 주석 비용을 크게 줄일 수 있는 "Semi-supervised RESidual Transformer (SemiREST)" 알고리즘을 제안한다.
SemiREST는 다음과 같은 특징을 가진다:
패치 매칭 잔차를 입력으로 하는 Swin Transformer 모델을 사용하여 높은 성능을 달성한다.
블록 단위 분류 문제로 재정의하여 픽셀 단위 주석보다 적은 비용으로 학습할 수 있다.
경계 상자 주석을 활용하는 반지도 학습 기법을 통해 주석 비용을 더욱 줄이면서도 성능 저하를 최소화한다.
실험 결과, SemiREST는 MVTec-AD, BTAD, KSDD2 데이터셋에서 기존 최신 방법들을 크게 능가하는 성능을 보였다.
Stats
정상 데이터만 사용하는 경우에도 기존 최신 방법들을 능가하는 성능을 보였다.
10개의 이상 데이터를 사용하는 지도 학습 방식에서도 기존 최신 방법들을 능가하는 성능을 보였다.
경계 상자 주석만을 사용하는 반지도 학습 방식에서도 기존 최신 방법들을 능가하는 성능을 보였다.
Quotes
"제한된 예산으로 효율적으로 이상을 탐지할 수 있는 반지도 학습 기반 알고리즘을 제안한다."
"SemiREST는 다양한 데이터셋에서 기존 최신 방법들을 크게 능가하는 성능을 보였다."