핵심 개념
클래스 정보를 활용하여 클래스 간 간섭을 완화하고 각 클래스의 정상 특징 분포를 효과적으로 학습할 수 있는 통합 이상치 탐지 모델을 제안한다.
초록
본 연구는 다중 클래스 이상치 탐지 문제를 다룬다. 기존의 통합 모델들은 클래스 간 간섭 문제를 해결하지 못했지만, 제안하는 MINT-AD 모델은 클래스 정보를 활용하여 이를 해결한다.
MINT-AD 모델의 핵심 구성은 다음과 같다:
- 암묵적 신경 표현(INR) 네트워크를 사용하여 세부 클래스 특징을 쿼리 임베딩으로 매핑한다. 이를 통해 클래스 간 간섭을 완화할 수 있다.
- 분류 손실 함수와 사전 확률 손실 함수를 도입하여 INR 네트워크가 각 클래스의 정상 특징 분포를 효과적으로 학습할 수 있도록 한다.
실험 결과, MINT-AD 모델은 기존 통합 모델 대비 MVTec AD, VisA, BTAD 데이터셋에서 우수한 성능을 보였다. 특히 세부 클래스가 많은 카테고리에서 큰 성능 향상을 보였다. 이는 제안 모델이 클래스 간 간섭을 효과적으로 해결하고 각 클래스의 정상 특징을 잘 학습할 수 있음을 보여준다.
통계
이상치 탐지 성능 지표인 I-AUROC와 P-AUPR 값이 기존 모델 대비 향상되었다.
MVTec AD 데이터셋에서 MINT-AD의 평균 I-AUROC는 0.986, 평균 P-AUPR는 0.977로 나타났다.
VisA 데이터셋에서 MINT-AD의 평균 I-AUROC는 0.957, 평균 P-AUPR는 0.394로 나타났다.
통합 데이터셋(MVTec, VisA, BTAD)에서 MINT-AD의 평균 I-AUROC는 0.949, 평균 P-AUPR는 0.413으로 나타났다.
인용구
"클래스 간 간섭"은 통합 이상치 탐지 모델의 핵심 문제이며, 클래스 정보를 활용하여 해결할 수 있다.
세부 클래스 특징을 활용하여 쿼리를 생성하고, 분포 예측 손실 함수를 도입함으로써 클래스 간 간섭을 효과적으로 완화할 수 있다.