코어셋을 활용한 Student-Teacher 구조의 이상 탐지 방법
Student-Teacher network for anomaly detection using coreset
- 주제어 (키워드) 기계학습 , 비지도학습 , 이상 탐지 , 결함 탐지 , 객체 위치 식별 , Machine learning , Unsupervised learning , Anomaly detection , Defect Detection , Object Localizatio
- 발행기관 서강대학교 일반대학원
- 지도교수 양지훈
- 발행년도 2023
- 학위수여년월 2023. 2
- 학위명 석사
- 학과 및 전공 일반대학원 컴퓨터공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000070100
- UCI I804:11029-000000070100
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
이상 탐지는 해결하기 어려운 문제 중 하나이며, 산업 현장에서 굉장히 중요한 요소라고 볼 수 있다. 본 논문에서는, 인코더 디코더 형식을 따르는 Student-Teacher 네트워크를 제안한다. 해당 네트워크는 멀티 스케일의 특징 매칭 방법을 사용하며 이러한 계층적인 구조는 Student 네트워크가 여러 크기의 결함을 탐지할 수 있도록 멀티 스케일 특징을 학습할 수 있도록 도와준다. 또한 메모리 저장 공간을 사용하여 Student-Teacher 네트워크로부터 학습된 정상 데이터의 특징을 저장하여 추론 시에 활용될 수 있도록 한다. 학습을 통해 얻은 임베딩 벡터는 정상 데이터의 중요한 정보를 포함하고 있으며 추론 시, 벡터 간의 거리 계산을 통해 이상 데이터를 감지한다. 본 논문에서 제안된 새로운 접근 방법은 MVTec 데이터 셋을 통해 실험해 본 결과, 다른 이상 탐지 모델들에 비해 정확하고 빠른 추론 속도를 보이며 현재 가장 높은 성능의 모델인 PatchCore보다 더욱 빠른 속도를 보여준다.
more초록 (요약문)
Anomaly Detection is a challenging task and it is also an important component in industrial manufacturing. This paper proposes a student-teacher framework consisting of a encoder and a decoder. We use multi-scale feature matching strategy in the network and the hierarchical architecture enables the student network to learn multi-scale features, allowing network to detect various sizes of defectives. Then we use a memory bank to save the nominal features from the network for inference. Since the obtained embedding preserves compact and essential information on normal data, our approach achieves fast and competitive result on MVTec Dataset compared to the results of other anomaly detection networks such as student-teacher feature matching based anomaly detection. This paper show much faster inference time compared to PatchCore which shows State-of-the-art performance.
more