- …
- …
#8
summarized by : Hiroki Kobayashi
どんな論文か？
識別的再構成埋め込みモデルを用いた異常検知手法の提案．
従来の画像生成ベース異常検知手法は，モデル入力と出力の画像間比較によって異常の有無を判定するが，画像生成後にMSEやSSIMなどのハンドクラフトの後処理が必要であり，学習時に異常検知性能の最大化に関して最適化されていないという問題があった．そこで提案手法は，画像生成モデルに加え，正常・異常パターンの間の決定境界を同時に学習する手法を提案した．
新規性
正常・異常パターンの間の決定境界を学習するために，画像再構成モデルとセグメンテーションモデルを同時に学習した点．
結果
MVTec ADを用いて，画像レベル（Detection AUROC），画素レベル（Segmentation AUROC，AP: Average Precision）の異常検知性能を評価した．
Detection AUROCでは，PaDiM（95.5）を始めとしたSoTAよりも大幅に高い性能（98.0）を達成した．
また，APでは従来（55.0）よりも高性能（68.4）であることを示した．
その他（なぜ通ったか？等）
MVTec ADにおいてセグメンテーション性能をさらに向上させるためには，テスト用異常画像に対するアノテーションの曖昧性を改善する必要があり，さらに曖昧なアノテーションを含むDAGMの場合，教師あり学習ではそれがテスト時にも反映されてしまうが，提案手法を含む教師なし学習ではその問題が改善されることも言及している．
ソースコード: https://github.com/VitjanZ/DRAEM
- …
- …