要約
一クラス分類の設定下における産業用画像異常検出は、実用的な価値が非常に高い。しかし、現存する大多数のモデルは、特徴埋め込みを行う際に分離可能な特徴表現を効果的に抽出できず、また一クラス分類において正常パターンの特徴をコンパクトに記述する能力に欠ける。この問題の直接的な結果として、多くのモデルは文脈的な関係を破壊する論理的異常の検出性能が著しく劣化している。より効果的かつ包括的な異常検出を実現するため、自己教師学習と自己注意型グラフ畳み込み（SLSG）を組み合わせたネットワークを提案する。SLSGは生成的事前学習ネットワークを用いてエンコーダが正常パターンの埋め込みおよび位置関係の推論を学習するのを支援する。その後、SLSGはシミュレートされた異常サンプルを通じて異常に関する擬似事前知識を導入する。シミュレートされた異常との比較によって、SLSGは正常特徴をよりよく要約し、一クラス分類に用いるハイパースフェアの範囲を狭めることができる。さらに、より汎用的なグラフ構造を構築することで、画像内の要素間の密接な関係と疎な関係を包括的にモデル化でき、論理的異常の検出性能がさらに強化される。ベンチマークデータセット上での広範な実験結果から、SLSGは優れた異常検出性能を達成しており、本手法の有効性が実証された。