초록
기존의 이미지 이상 탐지 방법은 인상적인 성능을 보이지만, 대부분의 경우 오프라인 학습 기반으로 작동하며, 과도한 데이터 사전 수집을 필요로 하므로 실시간 스트리밍 데이터를 처리하는 산업 환경에서의 적응성에 한계가 있다. 반면, 온라인 학습 기반의 이미지 이상 탐지 방법은 산업용 실시간 스트리밍 데이터와 더 잘 어울리지만, 여전히 주목받지 못하고 있다. 본 논문은 처음으로 완전한 온라인 학습 기반의 이미지 이상 탐지 방법인 LeMO(learning memory for online image anomaly detection)를 제안한다. LeMO는 직교적인 난수로 초기화된 학습 가능한 메모리를 활용하여 메모리 초기화 과정에서 과도한 데이터 수집이 필요 없으며, 오프라인 데이터 수집의 비효율성도 회피한다. 또한, 이상 탐지에 적합한 대조 학습 기반의 손실 함수를 설계하여 메모리와 이미지 대상 지향 특징 간의 온라인 동시 최적화를 가능하게 한다. 제안된 방법은 간단하면서도 매우 효과적이며, 광범위한 실험을 통해 LeMO가 온라인 환경에서 뛰어난 성능을 보임을 입증한다. 더불어 오프라인 환경에서도 현재 최고 수준의 기법들과 경쟁력 있는 성능을 보이며, 소수의 샘플(Small-shot) 상황에서도 뛰어난 성능을 달성한다.