초록
물체 검출에서의 불균형 문제는 성능에 큰 영향을 미치는 핵심 과제 중 하나이다. 본 연구에서는 산업 검사에서의 결함 검출에 기인하는 불균형 문제에 초점을 맞추고 있다. 이는 결함 및 비결함 데이터셋의 수 차이, 결함 클래스 간 분포의 격차, 그리고 결함의 다양한 크기 등 다양한 요인을 포함한다. 이를 해결하기 위해, 비정상적인 패턴을 탐지하는 이상 탐지 기법을 도입한다. 특히 생성적 적대 신경망(GAN)과 오토인코더 기반 접근법이 이 분야에서 효과적임이 입증되었다. 본 연구에서는 1) 오토인코더를 생성기로 사용하고, 정상 입력과 이상 입력 각각에 대해 별도의 판별기 두 개를 갖는 새로운 GAN 기반 이상 탐지 모델을 제안하며, 2) 새로운 손실 함수인 Patch 손실과 이상 적대 손실을 제안함으로써 모델을 효과적으로 최적화하고, 이를 결합하여 모델을 공동 학습하는 방식을 탐구한다. 실험에서는 기존의 벤치마크 데이터셋(MNIST, Fashion MNIST, CIFAR 10/100)과 실제 산업 데이터셋인 스마트폰 케이스 결함 데이터셋을 대상으로 모델을 평가하였다. 최종적으로, 실험 결과는 제안한 방법이 기존 최고 수준의 기법들을 초월하여 ROC 곡선 아래 평균 면적(AUROC) 측면에서 뛰어난 성능을 보임을 입증하였다.