#27
summarized by : Kayo Okuda
Registration Based Few-Shot Anomaly Detection
Chaoqin Huang; Haoyan Guan; Aofan Jiang; Ya Zhang; Michael Spratling; Yan-Feng Wang

どんな論文か？

異常検知タスクでは正常画像のみを使用する教師なし学習が主流であり、最近は特にfew-shot anomaly detection (FSAD)の研究が行われている。従来のFSADはカテゴリ毎にモデルを学習するカテゴリ依存手法であるが、レジストレーション法（視点の異なる画像を一つの座標系に変換する）を導入し、1つのモデルですべてのカテゴリの異常検知を可能にするカテゴリ非依存手法を提案した。
placeholder

新規性

従来のFSADはカテゴリ毎に正常画像を収集しモデルを学習する必要があった。提案手法では、人が画像を見比べて異常を見つける方法に着目し、画像をどのように比較すれば良いかをモデルに学習させ、カテゴリ毎に再学習したりパラメータをfine-tuningしなくても新しいカテゴリを異常検知できるようにした。

結果

異常検知タスクで使用されるベンチマークデータセットMVTec ADとMPDDを使用し、性能評価を行った。その結果、2-shot, 4-shot, 8-shotの実験において、従来のFSADに比べてAUCが3〜8%向上し、SoTAを達成した。

その他（なぜ通ったか？等）

【Github】https://github.com/MediaBrain-SJTU/RegAD【なぜ通ったか】カテゴリ非依存的な初めてのモデルであり、データ量を抑えたまま再学習・パラメータのfine-tuningを必要とせずにSoTAを達成したため。

このページで利用されている画像は論文から引用しています．