초록
이상 탐지의 목적은 정상 샘플과 이상 샘플을 분리하는 데 있으며, 사전 학습된 네트워크는 이상 탐지에 있어 매우 유망한 접근법으로 평가되고 있다. 그러나 단일 클래스 학습 데이터에서 사전 학습된 특징을 미세 조정(finetuning)할 경우 패턴 붕괴(pattern collapse)의 위험에 직면하게 된다. 본 논문에서는 사전 학습된 특징을 활용한 제약적 적응적 투영(Constrained Adaptive Projection, CAP)이라는 이상 탐지 프레임워크를 제안한다. 사전 학습된 특징과 결합하여, 특정 입력 데이터와 그와 가장 유사한 k개의 사전 학습된 정상 표현에 대해 단순한 선형 투영 헤드를 적용함으로써 특징 적응을 수행하며, 개선된 자기 주의(self-attention) 메커니즘을 활용해 단일 클래스의 의미적 특징 간 내부 관계를 탐색한다. 또한 잠재적인 패턴 붕괴를 방지하기 위해 새로운 손실 함수를 제안한다. 구체적으로, 특정 데이터와 해당 데이터에 대응하는 적응형 정상 표현 간의 유사도를 고려하며, 사전 학습된 공간과 적응된 공간 간의 약간의 정렬을 보장하는 제약 항을 포함한다. 제안한 방법은 의미적 이상 탐지 및 센서 이상 탐지 벤치마크에서 최신 기술 수준의 성능을 달성하였으며, CIFAR-100 데이터셋에서 96.5%의 AUROC, CIFAR-10 데이터셋에서 97.0%의 AUROC, MvTec 데이터셋에서 89.9%의 AUROC를 기록하였다.