MiniMaxAD: 특징 풍부한 이상 탐지를 위한 경량 오토인코더

이전의 산업용 이상 탐지 기법은 특히 스타일적으로 다양하고 특징이 풍부한 샘플을 포함하는 훈련 데이터셋의 광범위한 다양성 처리에 어려움을 겪어 왔으며, 이러한 데이터셋을 우리는 특징 풍부한 이상 탐지 데이터셋(Feature-Rich Anomaly Detection datasets, FRADs)으로 분류한다. 이 문제는 다중 뷰 및 다중 클래스와 같은 응용 분야에서 특히 두드러진다. 이 도전 과제를 해결하기 위해 우리는 정상 이미지에서 방대한 정보를 효율적으로 압축하고 기억할 수 있도록 설계된 효율적인 오토인코더인 MiniMaxAD를 개발하였다. 본 모델은 특징 다양성을 강화하는 기법을 활용하여 네트워크의 유효 용량을 증가시키며, 고차원 추상적 패턴을 추출하기 위해 대규모 커널 컨볼루션을 사용함으로써 효율적이고 컴팩트한 특징 임베딩을 가능하게 한다. 더불어, FRADs에 특화된 적응형 수축 하드 마이닝 손실(Adaptive Contraction Hard Mining Loss, ADCLoss)을 도입하였다. 본 연구에서 제안하는 방법론은 어떠한 데이터셋이라도 특징 풍부한 이상 탐지의 프레임워크 내에 통합할 수 있도록 하며, 그 이점은 단점보다 훨씬 크다. 제안된 접근법은 여러 도전적인 벤치마크에서 최신 기준(SOTA) 성능을 달성하였다. 코드는 다음에서 제공된다: \href{https://github.com/WangFengJiee/MiniMaxAD}{https://github.com/WangFengJiee/MiniMaxAD}