설명 가능한 딥 원클래스 분류

이상 탐지용 딥 원클래스 분류 변종들은 정상 샘플이 특징 공간에서 집중되도록 매핑하는 방식을 학습하며, 이를 통해 이상 샘플은 해당 공간에서 멀리 분리되도록 만든다. 그러나 이 변환 과정은 매우 비선형적이므로, 그 해석을 도출하는 것은 큰 도전 과제가 된다. 본 논문에서는 매핑된 샘플 자체가 해석 히트맵이 되는 설명 가능한 딥 원클래스 분류 방법, 즉 완전 컨볼루션 데이터 기술(Fully Convolutional Data Description, FCDD)을 제안한다. FCDD는 CIFAR-10과 ImageNet과 같은 일반적인 이상 탐지 벤치마크에서 경쟁력 있는 탐지 성능을 달성하며, 합리적인 해석을 제공한다. 또한 최근 제작 데이터셋인 MVTec-AD(정답 이상 지도가 제공되는 데이터셋)에서는 비지도 설정에서 새로운 최고 성능(SOTA)을 달성한다. 본 방법은 학습 중 정답 이상 지도를 통합할 수 있으며, 단지 몇 개(약 5개)의 정답 지도만 사용해도 성능이 크게 향상된다. 마지막으로, FCDD의 해석을 활용하여 딥 원클래스 분류 모델이 이미지 워터마크와 같은 부정확한 이미지 특징에 취약함을 실험적으로 입증한다.