Détection d'anomalies par estimation de densité basée sur les flows de normalisation et classification de défauts synthétiques

Nous proposons un nouveau système de détection d’anomalies (AD) basé sur l’apprentissage profond, qui combine un réseau de classification par pixel avec des réseaux de flow normalisant conditionnel (CNF) en partageant des extracteurs de caractéristiques. Nous avons entraîné le réseau de classification par pixel à l’aide de données anormales synthétiques afin d’ajuster finement un extracteur de caractéristiques préentraîné des réseaux CNF, permettant ainsi d’apprendre les caractéristiques discriminantes des données appartenant au domaine d’application. Ensuite, nous avons entraîné les réseaux CNF à l’aide de données normales, en utilisant l’extracteur de caractéristiques ajusté, afin d’estimer la densité des données normales. Pendant l’inférence, les anomalies sont détectées en calculant la moyenne pondérée des scores d’anomalie fournis par les réseaux de classification par pixel et les réseaux CNF. Étant donné que le système proposé a non seulement appris les propriétés des données du domaine d’application, mais aussi combiné les scores d’anomalie provenant des deux réseaux, il a montré une performance nettement améliorée par rapport aux méthodes existantes sur les jeux de données MvTecAD et BTAD. En outre, le système proposé ne nécessite pas d’augmentation intensive des calculs, car les systèmes de classification et d’estimation de densité partagent les mêmes extracteurs de caractéristiques.