Core Concepts
クラス情報を必要とせず、異なるクラスの正常サンプルの異常スコア分布を整合化することで、すべてのクラスに対して統一的な異常検知を実現する。
Abstract
本研究では、クラス情報を一切必要としない絶対統一型多クラス異常検知の新しい設定を提案する。従来の異常検知手法は、クラス毎に個別のモデルを構築していたが、近年のモデル統一型多クラス手法では、クラス情報が推論時に必要となるという課題があった。
提案手法では、クラス非依存の分布整合化手法(CADA)を導入することで、この課題を解決する。CADAは、入力画像から各クラスの正常サンプルの異常スコア分布を推定し、その分布統計量を用いて異常スコアを正規化することで、クラス間の分布ずれを解消する。
CADAは、ほとんどの基本的な異常検知手法に組み込むことができ、MVTec AD、VisAなどの産業用欠陥検知ベンチマークデータセットにおいて、大幅な性能向上を達成している。特に、MVTec ADでは従来手法を大きく上回る98.6%のイメージレベルAUROCを実現している。
Stats
正常サンプルの異常スコアの平均(uc)は、クラスごとに大きく異なる。
正常サンプルの異常スコアの最大値(γc)は、クラスごとに大きく異なる。
Quotes
"クラス情報を一切必要としない絶対統一型多クラス異常検知の新しい設定を提案する。"
"CADAは、ほとんどの基本的な異常検知手法に組み込むことができ、大幅な性能向上を達成している。"