약한 감독을 이용한 잔차 트랜스포머를 활용한 산업 이상 탐지 및 위치 추정

최근 산업용 이상 탐지(Anomaly Detection, AD) 분야의 발전은 학습 과정에서 소량의 이상 샘플을 포함시킴으로써 탐지 정확도를 크게 향상시킬 수 있음을 보여주었다. 그러나 이러한 성능 향상은 종종 정밀한 레이블링 작업을 요구하며, 이는 많은 실용적 응용 분야에서 비현실적인 부담을 수반한다. 본 논문에서는 수동 레이블링에 대한 의존도를 최소화하면서도 높은 이상 탐지 정확도를 달성하기 위해, 약한 감독 기반의 잔차 트랜스포머(Weakly-supervised RESidual Transformer, WeakREST)라는 새로운 프레임워크를 제안한다. 먼저, 픽셀 단위 이상 위치 추정 문제를 블록 단위 분류 문제로 재정의한다. 다음으로, 이상 패턴을 보다 효과적으로 포착할 수 있는 잔차 기반 특징 표현인 위치 기반 �素적 이상 잔차(Positions-based Fast Anomaly Residuals, PosFAR)를 도입한다. 이러한 특징 표현을 활용하기 위해, 이상 탐지 및 위치 추정 성능을 강화하기 위해 Swin Transformer 아키텍처를 적응시킨다. 더불어, 경계 상자(bounding boxes)와 이미지 태그를 활용하여 이상 영역을 정의하는 약한 레이블링 방식을 제안함으로써, 정밀한 픽셀 단위 레이블에 대한 의존도를 줄이는 반감독 학습 환경을 구축한다. 학습 과정의 성능을 further 향상시키기 위해, 약한 레이블과 잔차 기반 표현 간의 상호작용을 효과적으로 다룰 수 있는 새로운 ResMixMatch 알고리즘을 개발하였다.기준 데이터셋 MVTec-AD에서 제안한 방법은 비감독 설정에서 기존 최고 성능인 82.7%를 초과하는 평균 정밀도(Average Precision, AP) 83.0%를 달성하였다. 감독 학습 설정에서는 AP 87.6%를 기록하며, 기존 최고 성능인 86.0%를 상회하였다. 특히, 픽셀 단위 레이블보다 더 약한 레이블인 경계 상자만을 사용하는 경우에도, WeakREST는 픽셀 단위 감독에 의존하는 기존 최고 성능 방법(86.0%)을 초월하여 AP 87.1%의 성능을 보였다. 이는 본 연구의 프레임워크가 레이블링 비용을 크게 줄이면서도 뛰어난 이상 탐지 성능을 유지할 수 있음을 입증한다.