Core Concepts
클래스 정보 없이도 다양한 클래스의 정상 샘플 이상 점수 분포를 정렬하여 통합된 이상 탐지를 가능하게 하는 방법
Abstract
이 논문은 기존 다중 클래스 이상 탐지 방법들의 한계를 극복하기 위해 클래스 정보 없이도 작동하는 절대 통합 이상 탐지 방법을 제안한다.
기존 방법들은 클래스 정보를 활용하여 각 클래스별로 별도의 이상 탐지 모델을 학습하거나, 단일 통합 모델을 학습하더라도 클래스별 문턱값을 사용하여 평가하는 한계가 있었다.
제안하는 CADA 방법은 클래스 정보 없이도 각 클래스의 정상 샘플 이상 점수 분포를 예측하고 정렬하여, 통합된 이상 탐지를 가능하게 한다.
CADA는 기존 이상 탐지 방법들에 범용적으로 적용 가능한 모듈로, MVTec AD와 VisA 데이터셋에서 큰 성능 향상을 보였다.
Stats
정상 샘플의 이상 점수 평균(uc)은 클래스마다 다르다.
정상 샘플의 이상 점수 최대값(γc)은 클래스마다 다르다.
Quotes
"기존 방법들은 클래스 정보를 활용하여 각 클래스별로 별도의 이상 탐지 모델을 학습하거나, 단일 통합 모델을 학습하더라도 클래스별 문턱값을 사용하여 평가하는 한계가 있었다."
"제안하는 CADA 방법은 클래스 정보 없이도 각 클래스의 정상 샘플 이상 점수 분포를 예측하고 정렬하여, 통합된 이상 탐지를 가능하게 한다."