Optimisation de la discrépance collaborative pour une localisation fiable des anomalies dans les images

La plupart des méthodes non supervisées de localisation d’anomalies dans les images souffrent d’un sur-apprentissage généralisé en raison de la forte capacité d’adaptation des réseaux neuronaux convolutifs, ce qui entraîne des prédictions peu fiables. Pour atténuer ce phénomène de sur-généralisation, cette étude propose une optimisation collaborative des distributions de caractéristiques normales et anormales, avec l’aide d’anomalies synthétiques, sous le nom d’optimisation de désaccord collaborative (CDO, Collaborative Discrepancy Optimization). Le CDO introduit un module d’optimisation de marge et un module d’optimisation de chevauchement afin d’optimiser les deux facteurs clés déterminant la performance de localisation : la marge et le chevauchement entre les distributions de désaccord (DD, Discrepancy Distributions) des échantillons normaux et anormaux. Grâce au CDO, on obtient une grande marge et un faible chevauchement entre les DD des échantillons normaux et anormaux, ce qui améliore significativement la fiabilité des prédictions. Des expériences menées sur les jeux de données MVTec2D et MVTec3D montrent que le CDO atténue efficacement le sur-apprentissage généralisé et atteint des performances exceptionnelles en localisation d’anomalies tout en garantissant une efficacité computationnelle en temps réel. Une application réelle dans le domaine de l’inspection de pièces plastiques automobiles confirme par ailleurs la capacité du CDO proposé. Le code est disponible à l’adresse suivante : https://github.com/caoyunkang/CDO.