CutPaste: Self-Supervised Learning for Anomaly Detection and Localization

[e4exp]

• https://arxiv.org/abs/2104.04015
• CVPR 2021

本研究では、異常データがなくても画像の未知の異常パターンを検出する、高性能な欠陥検出モデルの構築を目指す。 そのために、通常の学習データのみを用いて異常検出器を構築する2段階のフレームワークを提案します。 まず、自己教師付きの深層表現を学習し、次に学習した表現に基づいて生成的な1クラス分類器を構築する。 これは、画像のパッチを切り取り、大きな画像のランダムな位置に貼り付けるというシンプルなデータ補強戦略であるCutPasteから、正常なデータを分類して表現を学習する。 MVTec異常検知データセットを用いた実証研究では、提案アルゴリズムが現実世界の様々な種類の欠陥を検知できる汎用性があることを示している。 また、表現をゼロから学習した場合には、従来の手法に比べて3.1AUCの改善が見られた。 また、ImageNet上で事前に学習した表現を転移学習することで、96.6AUCという新しい技術を達成しました。 最後に、このフレームワークを拡張し、パッチから表現を学習・抽出することで、学習時にアノテーションがなくても欠陥領域を特定できるようにした。

[e4exp]

[e4exp]

6. 結論

私たちは、欠陥の検出とローカライズのためのデータ駆動型のアプローチを提案します。 成功の鍵は、CutPasteを用いた表現の自己教師付き学習である。 CutPasteは、モデルが局所的な不規則性を見つけることを促す、シンプルかつ効果的な拡張機能である。 実世界のデータセットにおいて、優れた画像レベルの異常検出性能を示しています。 さらに、パッチレベルの表現を学習して抽出することで、ピクセル単位での異常の局在化においても最先端の性能を示すことができた。 CutPasteの拡張機能は、半教師付きおよび教師なしの欠陥検出のための強力なモデルを構築するための基礎となることを想定している。