FastFlow : Détection et localisation d’anomalies non supervisée à l’aide de flows de normalisation 2D

La détection et la localisation non supervisées des anomalies sont essentielles pour les applications pratiques lorsque la collecte et l’étiquetage de données d’anomalies suffisantes s’avèrent impossibles. La plupart des approches actuelles fondées sur les représentations extraient les caractéristiques des images normales à l’aide d’un réseau neuronal convolutif profond et modélisent la distribution correspondante à l’aide de méthodes d’estimation non paramétrique de distribution. Le score d’anomalie est calculé en mesurant la distance entre les caractéristiques de l’image de test et la distribution estimée. Toutefois, les méthodes actuelles peinent à mapper efficacement les caractéristiques d’image vers une distribution de base tractable, tout en négligeant les relations entre les caractéristiques locales et globales, qui sont pourtant cruciales pour identifier les anomalies. À cet effet, nous proposons FastFlow, une architecture basée sur des flows normaux 2D, utilisée comme estimateur de distribution probabiliste. FastFlow peut être intégré comme module plug-in avec tout extracteur de caractéristiques profondes, tels que ResNet ou vision transformer, pour la détection et la localisation non supervisée des anomalies. Lors de l’étape d’entraînement, FastFlow apprend à transformer les caractéristiques visuelles d’entrée en une distribution tractable, permettant ainsi d’obtenir une vraisemblance utilisée pour la détection d’anomalies lors de l’inférence. Des résultats expérimentaux étendus sur le jeu de données MVTec AD montrent que FastFlow dépasse les méthodes de pointe précédentes en termes de précision et d’efficacité d’inférence, quel que soit le réseau de base utilisé. Notre approche atteint un taux AUC de 99,4 % pour la détection d’anomalies, tout en offrant une efficacité d’inférence élevée.