사전 훈련된 네트워크와 가우시안 구분 분석을 기반으로 한 이상 탐지를 위한 심층적 특징 선택

딥러닝 신경망은 표현 영역에서 강력한 추상적 해석 능력을 지녀 시각적 이상 탐지(Anomaly Detection, AD) 및 고장 진단에 효과적인 도구로 활용되고 있다. ImageNet 분류 작업을 전처리(pretraining)하여 학습된 딥 피처(Deep Features)는 가우시안 판별 분석(Gaussian Discriminant Analysis) 기반의 AD에 유용함이 입증된 바 있다. 그러나 딥러닝 신경망의 복잡성이 지속적으로 증가함에 따라, 딥 피처의 집합은 기하급수적으로 증가하게 되며, 이로 인해 중복이 불가피하게 발생한다. 이러한 중복 피처는 계산 비용을 증가시키고, AD 방법의 성능을 저하시키는 원인이 된다. 본 논문에서는 AD 작업을 위한 딥 피처 선택 기법을 논의하고, 표현 영역 내 중복을 줄이는 방법을 제시한다. 우리는 부분공간 분해(subspace decomposition)를 활용한 수평적 선택(차원 축소) 방법과, AD 및 고장 진단에 가장 효과적인 네트워크 계층을 식별하는 수직적 선택 방법을 제안한다. 제안된 방법은 이상 탐지 작업을 위한 공개 데이터셋과 베어링 고장 진단을 위한 다른 공개 데이터셋에서 검증되었으며, 다양한 네트워크 계층과 피처 부분공간이 AD 작업에 미치는 영향의 중요성을 입증하고, 피처 선택 전략의 효과성을 실험적으로 검증하였다.