PANDA: 이상 탐지 및 세그멘테이션을 위한 사전 학습된 특징의 적응

이상 탐지 방법은 고품질의 특징을 필요로 한다. 최근 몇 년간 이상 탐지 분야에서는 딥 자기지도 학습(deep self-supervised feature learning)의 발전을 활용하여 보다 우수한 특징을 추출하려는 시도가 이루어졌다. 놀랍게도, 미리 학습된 딥 특징을 활용하는 매우 유망한 방향성은 거의 무시되어 왔다. 본 논문에서는 먼저, 미리 학습된 특징을 단순한 이상 탐지 및 세그멘테이션 방법과 결합할 경우, 훨씬 더 복잡한 최신 기술(state-of-the-art) 방법들을 뚜렷하게 능가한다는 경험적 결과를 보여준다. 이는 예상되기는 하지만, 이전에 보고된 바가 없는 결과이다.이상 탐지 성능을 추가로 향상시키기 위해, 우리는 미리 학습된 특징을 타겟 분포에 적응시키는 방법을 제안한다. 다중 클래스 분류 문제에서 전이 학습(transfer learning) 기법은 이미 잘 정립되어 있으나, 일종 분류(one-class classification, OCC) 환경에서는 여전히 충분히 탐구되지 않았다. 실제로, 감독 학습에서 일반적으로 효과적인 단순 적응 방법은 OCC 환경에서는 종종 치명적인 특징 악화(catastrophic collapse)를 초래하며 성능을 저하시키는 것으로 나타났다. 일반적으로 사용되는 OCC 방법인 DeepSVDD는 전용 아키텍처를 사용할 것을 제안하지만, 이는 적응 성능 향상의 한계를 초래한다. 본 연구에서는 특징 붕괴를 억제하기 위한 두 가지 방법을 제안한다: i) 정지 반복 횟수를 동적으로 학습하는 조기 정지(early stopping)의 변형, ii) 지속적 학습(continual learning)에서 영감을 얻은 탄성 정규화(elastic regularization). 제안하는 방법 PANDA는 OCC, 아웃라이어 노출(outlier exposure), 이상 세그멘테이션 설정 모두에서 최신 기술을 큰 격차로 능가한다.