이상 탐지 및 국소화를 위한 원형 잔차 네트워크

이상 탐지 및 위치 결정은 산업 제조 분야에서 효율성과 효과성 측면에서 널리 활용되고 있다. 그러나 이상 현상은 희귀하며 수집이 어렵고, 제한된 이상 샘플만으로 학습하는 지도 학습 모델은 이러한 이상에 쉽게 과적합되어 만족스럽지 못한 성능을 보인다. 반면, 이상 현상은 일반적으로 미묘하고 구분하기 어렵며, 다양한 외형을 가질 수 있어 이상을 탐지하는 것조차 어렵고, 더 나아가 이상 영역을 정확히 위치시키는 것은 더욱 어렵다. 이러한 문제를 해결하기 위해 우리는 이상 패턴과 정상 패턴 간의 다양한 규모와 크기의 특징 잔차를 학습하여 이상 영역의 세그멘테이션 맵을 정확히 재구성할 수 있는 프레임워크인 프로토타입 잔차 네트워크(Prototypical Residual Network, PRN)를 제안한다. PRN는 주로 두 가지 구성 요소로 이루어져 있다: 이상 패턴에 대한 정상 패턴 대비 잔차 특징을 명시적으로 표현하는 다중 규모 프로토타입; 다양한 크기의 이상 특징을 학습할 수 있도록 지원하는 다중 크기 자기주의(self-attention) 메커니즘. 또한, 이미 보인 적 있는 이상 외에도 새로운 외형 변이를 고려한 다양한 이상 생성 전략을 제시하여 이상 샘플의 다양성과 양을 증대시킨다. 도전적인 대표적 MVTec AD 벤치마크에서 실시한 광범위한 실험을 통해 PRN이 현재 최고 수준의 비지도 및 지도 학습 방법들을 모두 능가함을 확인하였으며, 추가적으로 세 가지 다른 데이터셋에서도 최고 성능(SOTA)을 기록하여 PRN의 효과성과 일반화 능력을 입증하였다.