Основные понятия
실제 세계 이상 탐지 시나리오에 적합한 통합 모델을 제안하며, 정상 데이터와 소수의 관찰된 이상 데이터를 효과적으로 활용하는 이중 메모리 뱅크 기반 표현 학습 프레임워크를 소개한다.
Аннотация
이 논문은 실제 세계 이상 탐지 문제를 다루며, 통합 모델 설정과 통합 반지도 설정을 모두 고려한다.
통합 모델 설정에서는 모든 정상 데이터를 활용하여 단일 모델을 학습하는 방식을 제안한다. 이는 저장 효율성과 일반화 능력이 높다는 장점이 있다.
통합 반지도 설정에서는 소수의 관찰된 이상 데이터를 활용하여 모델의 성능을 향상시킨다. 이를 위해 이중 메모리 뱅크를 도입한다. 정상 메모리 뱅크와 이상 메모리 뱅크를 구축하여 정상 패턴과 이상 패턴에 대한 지식을 학습한다. 이를 통해 향상된 표현을 생성하고, 이상 점수 학습에 활용한다.
제안 모델인 DMAD는 MVTec-AD와 VisA 데이터셋에서 기존 최신 방법들을 뛰어넘는 성능을 보인다.
Статистика
정상 데이터와 소수의 관찰된 이상 데이터를 활용하여 단일 모델을 학습한다.
정상 메모리 뱅크와 이상 메모리 뱅크를 구축하여 정상 패턴과 이상 패턴에 대한 지식을 학습한다.
향상된 표현을 생성하고 이상 점수 학습에 활용한다.
Цитаты
"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."