AI Umum

Deteksi Anomali Berbasis Memori Tanpa Pengawasan SoftPatch yang Secara Efisien Menghilangkan Derau pada Tingkat Patch

Pendahuluan

Deteksi anomali (AD) merupakan proses penting dalam aplikasi industri, yang digunakan untuk mengidentifikasi kejadian tak terduga dalam data input. Proses ini sering kali diterapkan untuk menganalisis gambar dan mendeteksi cacat, tetapi hal ini cukup menantang karena kompleksitas cacat, yang bisa sangat kecil dan sulit dikumpulkan. AD tanpa pengawasan adalah alat utama dalam menangani kompleksitas ini.

Metode AD Tanpa Pengawasan

Sebagian besar metode AD tanpa pengawasan sebelumnya bergantung pada data pelatihan yang bersih untuk mengekstrak fitur nominal dan membandingkannya dengan fitur anomali. Oleh karena itu, memiliki data yang bising (yang tidak dapat dihindari dalam pengaturan dunia nyata) dapat secara signifikan memengaruhi kinerja model-model ini.

SoftPatch

Dalam penelitian ini, penulis berfokus pada pentingnya mempelajari masalah data bising dalam AD tanpa pengawasan dan memperkenalkan algoritme baru bernama SoftPatch, yang menggunakan faktor outlier untuk mencapai ketahanan derau yang lebih baik.

Metode AD sebelumnya, seperti PatchCore dan CFA, terdiri dari tiga proses utama: ekstraksi fitur, pemilihan coreset dengan bank memori (kumpulan besar vektor yang menggambarkan seperti apa patch gambar normal), dan deteksi anomali. Para peneliti dari Southern University of Science and Technology dan Tencent memperkenalkan SoftPatch sebagai arsitektur yang mirip dengan metode ini.

Namun, pertama-tama SoftPatch memfilter data bising menggunakan diskriminator derau sebelum proses konstruksi coreset, sehingga memperhalus proses pencarian. SoftPatch membedakan derau dalam data pada tingkat patch di setiap posisi peta fitur.

Dengan peningkatan gambar pelatihan, memori fitur menjadi tidak layak untuk membedakan derau, dan dengan demikian, SoftPatch mengelompokkan semua fitur berdasarkan posisi dan menghitung skor outliernya. Selanjutnya, skor tersebut digabungkan untuk menentukan patch derau, setelah itu fitur dengan derau paling banyak dihilangkan.

Setelah ini, skor anomali dihitung dan dikelompokkan berdasarkan tingkat derau. Proses ini mempertimbangkan hubungan lokal di sekitar simpul terdekat, yang meningkatkan ketahanannya.

Evaluasi

Para peneliti mengevaluasi pekerjaan mereka dalam berbagai pemandangan derau, dan hasilnya menunjukkan bahwa SoftPatch mengungguli metode AD mutakhir pada tolok ukur Deteksi Anomali MVTec. Selain itu, SoftPatch juga mencapai hasil optimal pada kumpulan data BTAD, yang menyoroti keefektifannya.

Kesimpulan

Kesimpulannya, makalah ini menekankan pentingnya menyelidiki data bising dalam AD tanpa pengawasan. Ini adalah salah satu karya pertama yang berfokus pada masalah praktis ini, yang sering kali diabaikan. Kinerja SoftPatch yang mengesankan dalam berbagai pemandangan derau memberikan pandangan baru untuk penelitian lebih lanjut dan berpotensi untuk lebih meningkatkan efisiensi dan kinerja sistem inspeksi industri.