차이를 찾는(Self-Supervised) 사전 훈련을 통한 이상 탐지 및 세그멘테이션

산업용 품질 검사에서 시각적 이상 탐지는 일반적으로 활용되는 기법이다. 본 논문에서는 1클래스 및 2클래스의 5/10/하이샷(고샷) 학습 설정에서 이상 탐지 및 세그멘테이션 성능을 향상시키기 위해 새로운 데이터셋과 ImageNet 사전 훈련을 위한 새로운 자기지도 학습 방법을 제안한다. 우리는 12개의 객체를 3개의 도메인에 걸쳐 포함한 총 10,821장의 고해상도 컬러 이미지(정상 샘플 9,621개, 이상 샘플 1,200개)로 구성된 Visual Anomaly (VisA) 데이터셋을 공개한다. 이는 현재까지 가장 큰 산업용 이상 탐지 데이터셋으로, 이미지 수준과 픽셀 수준의 레이블을 모두 제공한다. 또한, 이상 탐지 작업에 더 적합하도록 대조적 자기지도 학습 사전 훈련(예: SimSiam, MoCo, SimCLR 등)을 정규화할 수 있는 새로운 자기지도 학습 프레임워크인 SPot-the-difference (SPD)를 제안한다. VisA 및 MVTec-AD 데이터셋에 대한 실험 결과, SPD는 대조적 사전 훈련 기반 모델뿐 아니라 지도 학습 기반 사전 훈련까지도 지속적으로 개선함을 확인했다. 예를 들어, 2클래스 하이샷 설정에서 SPD는 SimSiam 기반 모델에 비해 이상 세그멘테이션의 정밀도-재현율 곡선 아래 면적(AU-PR)을 5.9% 향상시키고, 지도 학습 사전 훈련 기반 모델에 비해 6.8% 개선하였다. 본 연구의 소스 코드는 http://github.com/amazon-research/spot-diff 에서 오픈소스로 제공된다.