異常検出および局所化のためのプロトタイプ残差ネットワーク

異常検出および局所化は、工業製造分野においてその効率性と有効性から広く用いられている。しかし、異常は稀であり、収集が困難である。また、教師ありモデルは少数の異常サンプルに対して過学習しやすく、結果として満足のいく性能を発揮できない。一方で、異常は通常、微細で判別が難しく、多様な外観を示すことが多いため、異常の検出そのものも困難であり、さらに異常領域の局所化は極めて困難である。こうした課題に対処するため、本研究では、異常パターンと正常パターンの間のスケールおよびサイズが異なる特徴残差を学習し、異常領域のセグメンテーションマップを高精度で再構成することを目的とした「プロトタイプ・リジデュアルネットワーク（Prototypical Residual Network, PRN）」というフレームワークを提案する。PRNは主に2つの構成要素からなる。1つ目は、異常と正常パターンの差分特徴を明示的に表現するマルチスケールプロトタイプであり、2つ目は、変動するサイズの異常特徴を学習可能とするマルチサイズ自己注意機構である。さらに、既知および未知の外観変動を考慮した多様な異常生成戦略を提示し、異常データの拡張と多様性を実現した。広範な実験により、難易度が高く広く用いられているMVTec ADベンチマーク上で、PRNが現在の最先端の教師なしおよび教師あり手法を上回ることを示した。さらに、3つの追加データセットにおいても最先端の性能を達成し、PRNの有効性および汎化能力を実証した。