17일 전

Few Shot Part Segmentation을 통한 구성적 논리의 탐구: 산업 이상 탐지 응용

Soopil Kim, Sion An, Philip Chikontwe, Myeongkyun Kang, Ehsan Adeli, Kilian M. Pohl, Sang Hyun Park
Few Shot Part Segmentation을 통한 구성적 논리의 탐구: 산업 이상 탐지 응용
초록

논리적 이상(LA, Logical Anomalies)은 이미지 내 구성 요소의 수량, 배열 또는 조합 등에 대한 기본적인 논리적 제약을 위반하는 데이터를 의미한다. 이러한 이상을 정확히 탐지하기 위해서는 세그멘테이션을 통해 다양한 구성 요소 유형에 대해 추론할 수 있는 모델이 필요하다. 그러나 세그멘테이션을 위한 픽셀 수준의 레이블링 데이터를 준비하는 것은 시간과 비용이 매우 많이 소요되는 작업이다. 기존의 소수의 샘플 또는 비지도 학습 기반의 공동 구성 요소 세그멘테이션 알고리즘은 산업용 객체가 포함된 이미지에서는 종종 성능이 저하된다. 이러한 이미지들은 유사한 질감과 형태를 가진 구성 요소를 포함하고 있어 정밀한 구분이 어렵기 때문이다. 본 연구에서는 논리적 제약을 공유하는 소수의 레이블링된 샘플과 레이블이 없는 이미지들을 활용하는 새로운 구성 요소 세그멘테이션 모델을 제안한다. 레이블이 없는 이미지들 간의 세그멘테이션 결과 일관성을 보장하기 위해 히스토그램 매칭 손실과 엔트로피 손실을 함께 적용한다. 세그멘테이션 예측은 이상 탐지에 핵심적인 역할을 하므로, 세 가지 메모리 백(Memory Bank): 클래스 히스토그램, 구성 요소 조합 임베딩, 패치 수준 표현을 통해 시각적 의미의 핵심 특징을 효과적으로 포착함으로써 국소적 및 전역적 샘플 유효성 검증을 강화한다. 이상 탐지의 효율성을 높이기 위해, 추론 과정에서 서로 다른 메모리 백에서 도출된 이상 점수를 표준화하기 위한 적응형 스케일링 전략을 제안한다. 공개 벤치마크 MVTec LOCO AD에서 실시한 광범위한 실험 결과, 제안하는 방법은 기존 대안 대비 98.1%의 AUROC를 달성하여 뛰어난 성능을 입증하였다.