다중 클래스 이상 탐지의 통합 모델

비즈독한 이상 탐지의 급속한 발전에도 불구하고, 기존 방법들은 서로 다른 객체에 대해 별도의 모델을 훈련시켜야 하는 단점이 있습니다. 본 연구에서는 여러 클래스에 대한 이상 탐지를 통합된 프레임워크로 수행하는 UniAD를 제안합니다. 이러한 어려운 환경에서 인기 있는 재구성 네트워크는 "동일한 단축" 문제에 빠질 수 있으며, 이는 정상 샘플과 이상 샘플 모두 잘 재구성되어 결과적으로 이상 값을 감지하지 못하는 현상을 의미합니다. 이 문제를 해결하기 위해 세 가지 개선점을 제시합니다. 첫째, 완전 연결 계층, 합성곱 계층 및 주의력 계층의 공식을 재검토하고, 주의력 계층 내에서 쿼리 임베딩(즉, 쿼리 임베딩)이 네트워크가 단축 경로를 학습하는 것을 방지하는 중요한 역할을 함을 확인하였습니다. 이를 바탕으로 계층별 쿼리 디코더를 설계하여 다중 클래스 분포를 모델링하는 데 도움을 주었습니다. 둘째, 입력 특징에서 재구성된 출력 특징으로 정보 유출을 더욱 방지하기 위해 이웃 마스킹 주의력 모듈을 사용하였습니다. 셋째, 노이즈가 포함된 입력에서도 올바른 메시지를 재구성하도록 모델을 강제하는 특징 조정 전략을 제안하였습니다. 우리는 MVTec-AD와 CIFAR-10 데이터셋에서 알고리즘을 평가하였으며, 충분히 큰 차이로 최신 대안들을 능가하였습니다. 예를 들어, MVTec-AD에서 15개 범주에 대한 통합 모델을 학습할 때, 이상 탐지 작업(88.1%에서 96.5%)과 이상 위치 결정 작업(89.5%에서 96.8%) 모두에서 두 번째 경쟁자를 크게 앞섰습니다. 코드는 https://github.com/zhiyuanyou/UniAD 에서 제공됩니다.