Détection d'anomalies basée sur GAN dans les problèmes d'imbalance

Les problèmes d'imbalanced dans la détection d'objets constituent l'une des principales difficultés affectant fortement les performances. Dans ce travail, nous nous concentrons sur un problème d'imbalanced apparaissant dans la détection des défauts lors des inspections industrielles, incluant le déséquilibre entre les nombres de données de défauts et de non-défauts, l'écart de distribution entre les différentes catégories de défauts, ainsi que la variabilité des tailles des défauts. À cette fin, nous adoptons une méthode de détection d'anomalies visant à identifier des motifs inhabituels afin de résoudre ces défis. En particulier, les approches basées sur les réseaux antagonistes génératifs (GAN) et les autoencodeurs se sont révélées efficaces dans ce domaine. Dans ce travail, 1) nous proposons un nouveau modèle de détection d'anomalies basé sur les GAN, composé d’un autoencodeur agissant comme générateur et de deux discriminants distincts, chacun spécifiquement conçu pour les entrées normales et anormales ; et 2) nous explorons également une méthode efficace d'optimisation de notre modèle en proposant de nouvelles fonctions de perte : la perte par patch (Patch loss) et la perte antagoniste anormale (Anomaly adversarial loss), que nous combinons ensuite pour entraîner le modèle de manière conjointe. Dans nos expérimentations, nous évaluons notre modèle sur des jeux de données standards tels que MNIST, Fashion MNIST, CIFAR 10/100, ainsi que sur un jeu de données industriel réel – les défauts sur des coques de smartphones. Les résultats expérimentaux démontrent l'efficacité de notre approche, en montrant des performances supérieures aux méthodes de l’état de l’art actuel en termes de moyenne de la surface sous la courbe ROC (AUROC).