SLSG: 더 나은 특징 임베딩 학습 및 원클래스 분류를 통한 산업 이미지 이상 탐지

일반적으로 하나의 클래스 분류(one-class classification) 설정에서 산업용 이미지 이상 탐지에는 중요한 실용적 가치가 있다. 그러나 기존 대부분의 모델은 특징 임베딩 과정에서 구분 가능한 특징 표현을 효과적으로 추출하지 못하고, 하나의 클래스 분류 과정에서 정상 패턴의 특징을 보다 컴팩트하게 표현하는 데 어려움을 겪는다. 이러한 문제의 직접적인 결과로, 대부분의 모델은 맥락적 관계를 위반하는 논리적 이상 탐지에 취약하다. 보다 효과적이고 포괄적인 이상 탐지 방식을 목표로, 본 연구는 자기지도 학습(self-supervised learning)과 자기주의적 그래프 컨볼루션(self-attentive graph convolution)을 기반으로 한 이상 탐지 네트워크(SLSG)를 제안한다. SLSG는 생성형 사전 훈련 네트워크를 활용하여 인코더가 정상 패턴의 임베딩과 위치 관계 추론을 더 효과적으로 학습하도록 지원한다. 이후 SLSG는 시뮬레이션된 이상 샘플을 통해 이상에 대한 의사 전이 지식(pseudo-prior knowledge)을 도입한다. 시뮬레이션된 이상과의 비교를 통해 SLSG는 정상 특징을 보다 정교하게 요약하고, 하나의 클래스 분류에 사용되는 초구(hypersphere)의 범위를 좁힐 수 있다. 또한, 더 일반화된 그래프 구조를 구성함으로써 SLSG는 이미지 내 요소 간의 밀집 및 희소한 관계를 종합적으로 모델링할 수 있어, 특히 논리적 이상 탐지 능력을 더욱 강화한다. 기준 데이터셋을 대상으로 수행된 광범위한 실험 결과, SLSG는 우수한 이상 탐지 성능을 달성하였으며, 제안된 방법의 효과성을 입증하였다.