産業用異常検出のためのハードノーマル例を意識したテンプレート相互マッチング

異常検出器は、産業製造分野において、照合画像内の未知の欠陥を検出および局所化するために広く利用されている。これらの検出器は異常なしのサンプルで学習され、多数の正常サンプルと異常を効果的に区別することができた。しかし、ハードノーマル例（hard-normal examples）は通常のサンプルから散在しており、距離が離れているため、従来の手法ではしばしば異常と誤検出されてしまう。この問題に対処するため、本研究では「ハードノーマル例に配慮したテンプレート相互マッチング（Hard-normal Example-aware Template Mutual Matching: HETMM）」という効率的なフレームワークを提案する。HETMMは、アフィン変換およびイージーノーマル例による影響を軽減するため、新しく提案した「アフィン不変テンプレート相互マッチング（Affine-invariant Template Mutual Matching: ATMM）」を採用している。ATMMは、照合画像とテンプレート集合間のパッチレベルの探索空間内でピクセルレベルのプロトタイプを相互にマッチングさせることで、ハードノーマル例と異常を高精度に区別でき、低偽陽性率および低見逃し率を達成する。さらに、処理速度向上を目的として、PTS（Prototype-based Template Selection）を提案。PTSは、元のテンプレート集合を圧縮する手法であり、クラスタ中心とハードノーマル例を選定することで、元の決定境界を維持しつつ、非常に小さな集合（60枚）で同等の性能を達成可能である。広範な実験結果から、HETMMは最先端手法を上回る性能を発揮し、60枚の小型テンプレート集合を用いても、Quadro 8000 RTX GPU上で約26.1 FPSのリアルタイム推論速度を実現する。HETMMは学習不要であり、新規サンプルを直接テンプレート集合に挿入することで即時更新（hot-updating）が可能であり、産業製造におけるインクリメンタル学習の課題に対しても迅速に対応できる。