CutPaste: 비지도 학습을 통한 이상 탐지 및 위치 추정

우리는 이상 데이터 없이도 이미지의 미지의 이상 패턴을 탐지할 수 있는 고성능 결함 탐지 모델을 구축하는 것을 목표로 한다. 이를 위해 정상 데이터만을 사용하는 두 단계 프레임워크를 제안한다. 먼저, 자기지도 학습 방식의 깊은 표현을 학습한 후, 학습된 표현 기반으로 생성적 원 클래스 분류기(Generative One-Class Classifier)를 구축한다. 표현을 학습하기 위해, 이미지의 일부 영역을 자르고 대규모 이미지의 임의의 위치에 붙이는 간단한 데이터 증강 기법인 CutPaste를 활용하여 정상 데이터를 구분하는 작업을 수행한다. MVTec 결함 탐지 데이터셋에 대한 실증적 연구를 통해 제안하는 알고리즘이 다양한 실제 결함 유형을 일반화하여 탐지할 수 있음을 입증하였다. 정상 데이터에서 표현을 처음부터 학습할 경우, 기존 기법 대비 AUC 기준 3.1점의 성능 향상을 달성하였다. 또한 ImageNet에서 사전 학습된 표현을 활용한 전이 학습(Transfer Learning)을 통해 기존 최고 성능을 초월하는 96.6 AUC를 달성하였다. 마지막으로, 프레임워크를 확장하여 패치 단위의 표현을 학습하고 추출함으로써, 학습 과정에서 레이블 없이도 결함이 발생한 영역을 정확히 지역화할 수 있도록 하였다.