메타학습 기반 반복 보정을 통한 산업 검사에서의 강건한 이상 탐지

본 연구는 산업 검사 환경에서 강건한 이상 탐지 모델의 성능을 조사하며, 특히 노이즈가 많은 데이터를 처리하는 능력에 초점을 맞춘다. 우리는 메타 학습 기법의 적응 능력을 활용하여 학습 데이터 중 노이즈가 포함된 샘플을 식별하고 제거함으로써 학습 과정을 개선하는 방안을 제안한다. 제안하는 모델에서는 모델 독립적 메타 학습(Model Agnostic Meta Learning, MAML)을 사용하고, 사분위수 범위(Inter-Quartile Range, IQR) 기반의 반복적 정제 방식을 통해 모델의 적응성과 강건성을 향상시킨다. 이러한 접근은 정상 상태와 결함 상태를 구분하는 모델의 능력을 크게 향상시킨다. MVTec 및 KSDD2와 같은 잘 알려진 데이터셋을 대상으로 수행한 실험 결과에 따르면, 제안된 방법은 상당한 노이즈가 존재하는 환경에서 뛰어난 성능을 발휘할 뿐만 아니라, 명확한 학습 데이터셋이 존재하는 경우에도 분포에서 벗어난 상대적으로 이상적인 샘플들을 효과적으로 분리할 수 있어 기존의 전통적 모델에 비해 상당한 성능 향상을 제공함을 입증하였다.