Faites semblant jusqu’à y parvenir : vers une détection de nouveauté près de la distribution précise

Nous nous concentrons sur la détection de nouveauté basée sur les images. Malgré les progrès considérables réalisés, les modèles existants échouent ou subissent une baisse marquée de performance dans ce qu’on appelle le cadre « près de la distribution » (near-distribution), où les différences entre les échantillons normaux et anormaux sont subtiles. Nous démontrons d’abord que les méthodes existantes peuvent connaître une baisse de performance allant jusqu’à 20 % dans ce cadre. Ensuite, nous proposons d’exploiter un modèle génératif fondé sur les scores afin de produire des données anormales synthétiques proches de la distribution. Notre modèle est ensuite affiné pour distinguer ces données anormales synthétiques des échantillons normaux. Nous fournissons une évaluation quantitative et qualitative de cette stratégie, et comparons les résultats à ceux de divers modèles basés sur les GAN. L’efficacité de notre méthode est évaluée de manière approfondie sur des jeux de données provenant de domaines variés, tels que les images médicales, la classification d’objets et le contrôle qualité, tant pour la détection de nouveauté près de la distribution que pour la détection standard. Ces expérimentations révèlent que notre méthode surpasse significativement les modèles existants, tout en réduisant de façon cohérente l’écart de performance entre les deux cadres. Le dépôt de code est disponible à l’adresse suivante : https://github.com/rohban-lab/FITYMI.