Réseaux Asymétriques Étudiant-Enseignant pour la Détection d'Anomalies Industrielles

La détection de défauts industriels est généralement abordée par des méthodes de détection d'anomalies (AD) lorsque peu ou pas de données sur les défauts potentiels sont disponibles. Cette étude identifie de nouveaux problèmes inconnus jusqu'à présent des approches par apprentissage supervisé non ciblé pour la détection d'anomalies et propose une solution, où deux réseaux neuronaux sont formés pour produire la même sortie pour les exemples d'entraînement sans défaut. L'hypothèse centrale des réseaux étudiant-enseignant est que la distance entre les sorties des deux réseaux est plus grande pour les anomalies, car celles-ci n'apparaissent pas lors de l'entraînement. Cependant, les méthodes précédentes souffrent de la similarité des architectures étudiant et enseignant, ce qui fait que la distance est indésirablement petite pour les anomalies. Pour cette raison, nous proposons des réseaux étudiant-enseignant asymétriques (AST). Nous formons un flux normalisant pour l'estimation de densité en tant qu'enseignant et un réseau de propagation avant conventionnel en tant qu'étudiant afin de provoquer de grandes distances pour les anomalies : La bijectivité du flux normalisant impose une divergence des sorties de l'enseignant pour les anomalies par rapport aux données normales. En dehors de la distribution d'entraînement, l'étudiant ne peut pas imiter cette divergence en raison de son architecture fondamentalement différente. Notre réseau AST compense les probabilités mal estimées par un flux normalisant, qui a été utilisé alternativement pour la détection d'anomalies dans les travaux précédents. Nous montrons que notre méthode produit des résultats à l'état de l'art sur les deux jeux de données actuellement les plus pertinents pour la détection de défauts MVTec AD et MVTec 3D-AD en ce qui concerne la détection d'anomalies au niveau des images sur des données RGB et 3D.