Anomalieerkennung mittels normalisierender Fluss-basierter Dichteschätzung und synthetischer Defektklassifikation

Wir stellen ein neuartiges, auf tiefen Lernverfahren basierendes Anomalieerkennungssystem (Anomaly Detection, AD) vor, das ein pixelweises Klassifizierungsnetzwerk mit bedingten Normalisierungsflussnetzwerken (Conditional Normalizing Flow, CNF) verbindet, indem es Merkmalsextraktoren gemeinsam nutzt. Das pixelweise Klassifizierungsnetzwerk wurde mit synthetischen abnormalen Daten trainiert, um einen vortrainierten Merkmalsextraktor der CNF-Netzwerke zu verfeinern, wodurch diskriminative Merkmale der in-distribution-Daten erlernt werden. Anschließend wurde das CNF-Netzwerk mit normalen Daten und dem verfeinerten Merkmalsextraktor trainiert, um die Dichte normaler Daten zu schätzen. Während der Inferenz detektiert das System Anomalien durch Berechnung des gewichteten Durchschnitts der Anomalie-Scores aus dem pixelweisen Klassifizierungsnetzwerk und den CNF-Netzwerken. Da das vorgeschlagene System nicht nur die Eigenschaften der in-distribution-Daten erlernt, sondern auch die Anomalie-Scores aus Klassifizierungs- und Dichteschätzungsnetzwerken aggregiert, zeigt es in Experimenten an den Datensätzen MvTecAD und BTAD eine signifikant verbesserte Leistung im Vergleich zu bestehenden Methoden. Zudem erhöht das vorgeschlagene System die Berechnungskosten nicht erheblich, da Klassifizierungs- und Dichteschätzungsmodell gemeinsame Merkmalsextraktoren nutzen.