핵심 개념
실제 세계 이상 탐지 시나리오에 적합한 통합 모델을 위해 정상 데이터와 소수의 주석된 이상 데이터를 활용하는 이중 메모리 뱅크 기반 표현 학습 프레임워크를 제안한다.
초록
이 논문은 실제 세계 이상 탐지 시나리오에 적합한 통합 모델을 제안한다. 기존 연구는 정상 데이터만을 사용하거나 이상 데이터가 일부 존재하는 경우를 다루었지만, 실제 세계에서는 정상 데이터와 소수의 주석된 이상 데이터가 모두 존재한다.
제안하는 DMAD 프레임워크는 이중 메모리 뱅크를 활용하여 정상 및 이상 패턴에 대한 지식을 학습한다. 정상 메모리 뱅크와 이상 메모리 뱅크를 구축하여 패치 특징과의 거리와 주의 메커니즘을 계산하고, 이를 통해 향상된 표현을 생성한다. 이 향상된 표현을 사용하여 이상 점수를 학습한다.
실험 결과, DMAD는 MVTec-AD와 VisA 데이터셋에서 기존 최신 방법들을 뛰어넘는 성능을 보였다. 이는 DMAD가 실제 세계 이상 탐지 시나리오를 효과적으로 다룰 수 있음을 보여준다.
통계
정상 데이터와 소수의 주석된 이상 데이터를 활용하여 통합 모델을 학습한다.
정상 데이터와 유사한 이상 데이터를 생성하여 이상 메모리 뱅크를 구축한다.
주석된 이상 데이터가 존재하는 경우, 이상 중심 샘플링 전략을 사용하여 이상 메모리 뱅크를 확장한다.
인용구
"Training a unified model is considered to be more suitable for practical industrial anomaly detection scenarios due to its generalization ability and storage efficiency."
"To address the challenge of real-world anomaly detection, we propose a new framework named Dual Memory bank enhanced representation learning for Anomaly Detection (DMAD)."
"DMAD employs a dual memory bank to calculate feature distance and feature attention between normal and abnormal patterns, thereby encapsulating knowledge about normal and abnormal instances."