주목 모듈이 산업 검사용 이미지 수준 이상 탐지 성능을 향상시킨다: DifferNet 사례 연구

(반)자동화된 시각 산업 검사 분야에서, 딥 신경망을 포함한 학습 기반 접근법은 고해상도 이미지에서 일반적으로 픽셀 단위로 매우 작아서 처리가 어려운 시각적 결함을 평가할 수 있게 한다. 이러한 희귀하게 발생하는 결함 패턴의 출현은 레이블이 부여된 데이터 코퍼스에 대한 일반적인 필요성을 설명한다. 이 문제를 완화하고 비지도 시각 검사 분야의 기술 수준을 한층 더 발전시키기 위해, 본 연구는 주의 메커니즘(attention modules)을 강화한 DifferNet 기반 솔루션인 AttentDifferNet을 제안한다. 이 방법은 산업 검사용 세 가지 시각 이상 탐지 데이터셋—InsPLAD-fault, MVTec AD, Semiconductor Wafer—에서 이미지 수준의 결함 탐지 및 분류 성능을 향상시킨다. 기존 최고 수준의 기술과 비교했을 때, AttentDifferNet은 개선된 성능을 달성하였으며, 본 연구의 정성적·정량적 분석을 통해 이를 강조하고 있다. 정량적 평가 결과, 세 가지 데이터셋을 종합적으로 고려할 때 DifferNet 대비 평균 AUROC에서 1.77 ± 0.25 백분율 포인트의 향상이 나타났으며, 특히 실세계 산업 검사 데이터셋인 InsPLAD-fault에서는 최신 기술 수준(SOTA)의 성과를 달성하였다. 또한, AttentDifferNet의 다양한 변형이 현재 연구되고 있는 접근법들 내에서 큰 잠재력을 보여주었으며, 이에 따라 실외 환경과 통제된 환경을 막론하고 주의 메커니즘이 산업 이상 탐지에 있어 중요한 기반 요소임을 강조하는 베이스라인을 제시하였다.