本研究では、産業用画像の論理的異常を正確に検出するために、部品セグメンテーションを活用する新しい手法を提案している。
まず、少量の教師付きサンプルと多数の教師なしサンプルを使用して、部品セグメンテーションモデルを訓練する。教師なしサンプルに対して、ヒストグラムマッチングロスを導入することで、各部品の一貫したセグメンテーションを実現する。
次に、セグメンテーション結果を活用して3つのメモリバンクを構築する。1つ目は部品クラスのヒストグラムを記録するバンク、2つ目は部品の組み合わせ特徴を記録するバンク、3つ目はパッチレベルの特徴を記録するバンクである。これらのメモリバンクから得られる異常スコアを適応的にスケーリングすることで、論理的異常と構造的異常の両方を効果的に検出できる。
提案手法は、公開ベンチマークデータセットMVTec LOCO ADで評価され、従来手法を大きく上回る異常検出性能を示した。特に、論理的異常の検出精度が大幅に向上しており、部品セグメンテーションの重要性が確認された。さらに、少量の教師付きサンプルでも高い性能が得られることが示された。
To Another Language
from source content
arxiv.org
Głębsze pytania