CutPaste : Apprentissage non supervisé pour la détection et la localisation des anomalies

Nous visons à concevoir un modèle à haute performance pour la détection de défauts, capable de repérer des motifs anormaux inconnus dans une image, sans avoir recours à des données anormales. À cette fin, nous proposons un cadre en deux étapes pour construire des détecteurs d’anomalies utilisant uniquement des données normales lors de l’entraînement. Nous apprenons d’abord des représentations profondes auto-supervisées, puis construisons un classificateur uniques (one-class) génératif à partir de ces représentations apprises. Les représentations sont apprises en classifiant les données normales à l’aide de CutPaste, une stratégie simple d’augmentation de données qui consiste à découper une région d’une image et à la coller à une position aléatoire dans une image plus grande. Notre étude expérimentale sur le jeu de données MVTec pour la détection d’anomalies démontre que l’algorithme proposé est généralisable et capable de détecter divers types de défauts réels. En apprenant les représentations de zéro, nous améliorons les résultats précédents de 3,1 points d’AUC. En utilisant un apprentissage par transfert à partir de représentations pré-entraînées sur ImageNet, nous atteignons un nouveau record d’état de l’art avec une AUC de 96,6. Enfin, nous étendons le cadre pour permettre l’apprentissage et l’extraction de représentations à partir de patches, ce qui permet de localiser les zones défectueuses sans nécessiter d’étiquetage pendant l’entraînement.