SimpleNet : un réseau simple pour la détection et la localisation des anomalies dans les images

Nous proposons un réseau simple et adapté aux applications (appelé SimpleNet) pour la détection et la localisation des anomalies. SimpleNet se compose de quatre composants : (1) un Extracteur de caractéristiques pré-entraîné qui génère des caractéristiques locales, (2) un Adaptateur de caractéristiques peu profond qui transfère les caractéristiques locales vers le domaine cible, (3) un Générateur de caractéristiques d’anomalie simple qui simule des caractéristiques d’anomalie en ajoutant un bruit gaussien aux caractéristiques normales, et (4) un Discriminateur binaire d’anomalie qui distingue les caractéristiques anormales des caractéristiques normales. Pendant l’inférence, le Générateur de caractéristiques d’anomalie est éliminé. Notre approche repose sur trois intuitions. Premièrement, transformer les caractéristiques pré-entraînées en caractéristiques orientées vers le domaine cible permet de réduire le biais de domaine. Deuxièmement, la génération d’anomalies synthétiques dans l’espace des caractéristiques est plus efficace, car les défauts peuvent présenter peu de similarités dans l’espace d’image. Troisièmement, un discriminateur simple est beaucoup plus efficace et pratique. Malgré sa simplicité, SimpleNet surpasser les méthodes précédentes tant du point de vue quantitatif que qualitatif. Sur le benchmark MVTec AD, SimpleNet atteint un score d’AUROC de détection d’anomalie de 99,6 %, réduisant ainsi l’erreur de 55,5 % par rapport au modèle suivant en performance. En outre, SimpleNet est plus rapide que les méthodes existantes, atteignant un débit élevé de 77 images par seconde sur une GPU 3080ti. Par ailleurs, SimpleNet montre des améliorations significatives sur la tâche de détection de nouveauté à un seul type (one-class novelty detection). Code source : https://github.com/DonaldRR/SimpleNet.