Same Same But DifferNet : Détection de défauts semi-supervisée avec des flows de normalisation

La détection des erreurs de fabrication est cruciale dans les procédés de fabrication afin d’assurer la qualité des produits et le respect des normes de sécurité. Étant donné que de nombreux défauts se produisent très rarement et que leurs caractéristiques sont en grande partie inconnues a priori, leur détection reste une question de recherche ouverte. À cet effet, nous proposons DifferNet : cette méthode exploite la richesse descriptive des caractéristiques extraites par des réseaux neuronaux convolutifs pour estimer leur densité à l’aide de flux normalisants. Les flux normalisants sont particulièrement adaptés au traitement de distributions de données à faible dimension. Toutefois, ils peinent à gérer la haute dimensionnalité des images. Nous introduisons donc un extracteur de caractéristiques multi-échelle, permettant aux flux normalisants d’attribuer des probabilités significatives aux images. À partir de ces probabilités, nous développons une fonction de notation qui indique la présence de défauts. En outre, en rétropropageant cette notation vers l’image, il devient possible d’effectuer une localisation au niveau des pixels. Pour garantir une robustesse et une performance élevées, nous exploitons plusieurs transformations durant l’entraînement et l’évaluation. Contrairement à la plupart des méthodes existantes, notre approche ne nécessite pas un grand nombre d’échantillons d’entraînement et fonctionne efficacement avec aussi peu que 16 images. Nous démontrons une performance supérieure par rapport aux approches existantes sur des jeux de données exigeants et récemment proposés : MVTec AD et Magnetic Tile Defects.