AnoSeg : Anomaly Segmentation Network Using Self-Supervised Learning
- 발행기관 서강대학교 일반대학원
- 지도교수 강석주
- 발행년도 2022
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000066686
- UCI I804:11029-000000066686
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
Anomaly segmentation, which localizes defective areas, is an important component in large-scale industrial manufacturing. However, most recent researches have focused on anomaly detection. This paper proposes a novel anomaly segmentation network (AnoSeg) that can directly generate an accurate anomaly map using self-supervised learning. For highly accurate anomaly segmentation, the proposed AnoSeg considers three novel techniques. First, to generate synthetic anomaly images and reference masks for normal data, the proposed method uses hard augmentation to change the normal sample distribution. Then, the proposed AnoSeg is trained in a self-supervised learning manner from the synthetic anomaly data and normal data. Finally, the coordinate channel, which represents the pixel location information, is concatenated to an input of AnoSeg to consider the positional relationship of each pixel in the image. The estimated anomaly map can also be utilized to improve the performance of anomaly detection. Our experiments show that the proposed method outperforms the state-of-the-art anomaly detection and anomaly segmentation methods for the MVTec AD dataset. In addition, we compared the proposed method with the existing methods through the intersection over union (IoU) metric commonly used in segmentation tasks and demonstrated the superiority of our method for anomaly segmentation.
more초록 (요약문)
결함 영역을 검출하는 이상 분할 작업 (anomaly segmentation)은 대규모 산업 제조에서 중요한 구성요소중 하나다. 그러나 최근 대부분의 연구는 이상 검출 작업 (anomaly detection)에 초점을 맞추고 있다. 본 논문은 자기지도 학습을 사용하여 정확한 anomaly map을 직접 생성할 수 있는 새로운 이상 분할 네트워크 (AnoSeg)를 제안한다. 정확한 이상 분할을 위해 제안된 AnoSeg는 세 가지 새로운 기법을 도입한다. 첫째, 정상 데이터에 대한 합성 이상 영상과 참조 마스크를 생성하기 위해 제안된 방법은 하드 어그멘테이션을 사용하여 정상 샘플 분포에서 이동된 합성 이상 데이터를 생성한다. 다음으로 제안된 AnoSeg는 합성 이상 데이터 및 일반 데이터로부터 자기지도 학습을 사용하여 이상 분할 작업에 대해 직접적으로 훈련된다. 마지막으로, 픽셀 위치 정보를 나타내는 좌표 채널은 이미지에서 각 픽셀의 위치 관계를 고려하기 위해 AnoSeg의 입력에 연결된다. 또한 우리는 추정된 anomaly map을 사용하여 이상 검출성능을 향상시키는 방법 제안한다. 우리의 실험은 제안된 방법이 MVTec AD 데이터 세트에 대한 최첨단 이상 검출 및 이상 분할 방법을 능가한다는 것을 보여준다. 또한 제안된 방법을 객체 분할 작업에 일반적으로 사용되는 intersection over union(IoU) 메트릭을 통해 기존 방법과 비교하고 이상 분할 작업의 대한 우수성을 입증했다.
more