要約
異常検出は、異常の予期せぬ性質から、通常、一クラス学習問題として定式化される困難なタスクである。本論文では、その課題に対して、シンプルでありながら強力なアプローチを提案する。この手法は、その利点を活かすために学生-教師フレームワークに基づいて実装されているが、精度および効率の面で大幅に拡張されている。画像分類タスクで事前学習された強力なモデルを教師として用い、その知識を同アーキテクチャを持つ単一の学生ネットワークに蒸留することで、異常なし画像の分布を学習する。この一ステップの知識蒸留により、重要な手がかりをできる限り保持することができる。さらに、本フレームワークにマルチスケール特徴マッチング戦略を統合し、階層的な特徴マッチングにより、特徴ピラミッドから多層の知識をより良好な監督のもとで学生ネットワークが受容できるようになっている。これにより、さまざまなサイズの異常を検出可能となる。両ネットワークが生成する特徴ピラミッドの差分が、異常発生の確率を示すスコア関数として機能する。このような設計により、本手法は高精度かつ高速なピクセル単位の異常検出を実現している。MVTec異常検出データセットにおいて、最先端の手法を上回る非常に競争力のある結果が得られている。