Uninformed Students: Anomalieerkennung mit Student-Teacher-Modellen unter Verwendung diskriminativer latenter Embeddings

Wir stellen einen leistungsfähigen Student-Teacher-Framework für das anspruchsvolle Problem der unsupervisierten Anomalieerkennung und pixelgenauen Anomalie-Segmentation in hochauflösenden Bildern vor. Studenten-Netzwerke werden darauf trainiert, die Ausgaben eines prätrainierten Lehrer-Netzwerks nachzubilden, das auf einer großen Datenmenge an Patch-Teilen natürlicher Bilder vortrainiert wurde. Dadurch entfällt der Bedarf an vorheriger Datenannotation. Anomalien werden erkannt, wenn die Ausgaben der Studenten-Netzwerke von denen des Lehrer-Netzwerks abweichen – was geschieht, wenn diese nicht über den Mannigfaltigkeitsraum der anpassungsfreien Trainingsdaten hinausgeneralisieren können. Die inhärente Unsicherheit in den Studenten-Netzwerken wird als zusätzliche Bewertungsfunktion verwendet, die Anomalien indiziert. Wir vergleichen unsere Methode mit einer großen Anzahl bestehender, auf tiefen Lernverfahren basierender Ansätze für die unsupervisierte Anomalieerkennung. Unsere Experimente zeigen Verbesserungen gegenüber aktuellen State-of-the-Art-Verfahren auf mehreren realen Datensätzen, einschließlich des kürzlich vorgestellten MVTec Anomaly Detection-Datensatzes, der speziell zur Bewertung von Anomalie-Segmentation-Algorithmen konzipiert wurde.