- Anomaly Detection 설명 – 정의, 특성, 활용 방안, 연구 흐름
- [One Class Classification 방식의 Anomaly Detection]
- [18′ ICML] Deep SVDD : Deep One-Class Classification
- [20′ ICLR] DEEP SEMI-SUPERVISED ANOMALY DETECTION (Deep SAD) 핵심 리뷰
- [20′ ACCV] Patch SVDD : Patch-level SVDD for Anomaly Detection and Segmentation
- [21′ ICLR] EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION (FCDD) 핵심 리뷰
- [Reconstruction 방식의 Anomaly Detection]
- [17′ IPMI] AnoGAN : Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery
- [18′ ACCV] GANomaly : Semi-Supervised Anomaly Detection via Adversarial Training
- [20′ ECCV] Attention Guided Anomaly Localization in Images (CAVGA) 핵심 리뷰
- [21′ ICCV] Devide and Assemble : Learning Block-wise Memory for Unsupervised Anomaly Detection 핵심 리뷰
- [21′ ICCV] Learning Unsupervised Metaformer for Anomaly detection 핵심 리뷰
- [22′ CVPR] SSPCAB : Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection 핵심 리뷰
- [Pretrained Feature Matching 방식의 Anomaly Detection]
- [20′ Arxiv] SPADE : Sub-Image Anomaly Detection with Deep Pyramid Correspondences
- [20′ ICPR] Mahalanobis AD : Modeling the Distribution of Normal Data in Pre-Trained Deep Features for Anomaly Detection
- [21′ ICPR] PaDiM : a Patch Distribution Modeling Framework for Anomaly Detection and Localization
- [22′ CVPR] PatchCore : Towards Total Recall in Industrial Anomaly Detection
- [Normalizing Flow 방식의 Anomaly Detection]
- [20′ NIPS] Why Normalizing Flows Fail to Detect Out-of-Distribution Data 핵심 리뷰
- [21′ WACV] Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows 핵심 리뷰
- [22′ WACV] CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows 핵심 리뷰
- [22′ WACV] Fully Convolutional Cross-Scale-Flows for Image-based Defect Detection (CS-Flow) 핵심 리뷰
- [21′ arxiv] FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows 핵심 리뷰
- [Self Supervised Learning 방식의 Anomaly Detection]
- [18′ NIPS] Deep Anomaly Detection Using Geometric Transformations (GEOM) 핵심 리뷰
- [19′ NIPS] SSL-AD : Using Self-Supervised Learning Can Improve Model Robustness and Uncertainty 핵심 리뷰
- [20′ ICLR] CLASSIFICATION-BASED ANOMALY DETECTION FOR GENERAL DATA (GEOD) 핵심 리뷰
- [20′ NIPS] CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances
- [21′ ICLR] SSL-OCC : Learning and evaluating representations for deep one class classification 핵심 리뷰
- [21′ ICCV] Hierarchical Transformation AD : A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection 핵심 리뷰
- [21′ ICLR] SSD: A UNIFIED FRAMEWORK FOR SELFSUPERVISED OUTLIER DETECTION 핵심 리뷰
- [Knowledge Distillation 방식의 Anomaly Detection]
- [20′ CVPR] Uninformed Students: Student–Teacher Anomaly Detection with Discriminative Latent Embeddings
- [21′ Arxiv] Student Teacher AD : Student-Teacher Feature Pyramid Matching for Unsupervised Anomaly Detection
- [21′ CVPR] Multiresolution Knowledge Distillation for Anomaly Detection
- [22′ CVPR] Reverse Distillation AD : Anomaly Detection via Reverse Distillation from One-Class Embedding
- [Synthetic Anomaly 방식의 Anomaly Detection]
- [21′ ICCV] DRAEM : A discriminatively trained reconstruction embedding for surface anomaly detection
- [21′ CVPR] CutPaste: Self-Supervised Learning for Anomaly Detection and Localization
1. 들어가며
이번 글에서는 Synthetic Anomaly 방식의 Anomaly Detection 방법들을 살펴봅니다. 먼저 Synthetic Anomaly 방식의 큰 그림을 살펴보고요. 이어서 대표적인 방법들을 하나씩 간략하게 살펴보겠습니다. Anomaly Detection에 관한 기본적인 내용은 Anomaly Detection에 관한 모든 것 글을 참고해주세요.
2. 큰 그림
사실 Anomaly Detection의 어려움은 ‘Normal Data’만 학습할 수 있다는 전제에서 기인합니다. 다른 Task 들과 달리 단일 종류의 데이터를 학습한 뒤 학습 과정에서 본 적 없는 특성을 구분해내야 하기 때문이죠. 그렇다면 자연스럽게 ‘Anomaly를 만들어서라도 학습해주자’ 라는 생각이 드는데요. Synthetic Anomaly 방식들은 이러한 아이디어를 바탕으로 구현된 방법들입니다.
따라서 복잡한 Anomaly Detection 모델이 필요 없이 위와 같이 Image Classification 방식을 사용할 수 있습니다. 이때의 관건은 ‘Synthetic Anomaly를 얼마나 진짜 Anomaly와 비슷하게 만들어줄 수 있느냐’ 겠죠.
3. 대표적인 방법들
이런 아이디어를 구현한 대표적인 방법들을 살펴보겠습니다.
3-1. DRAEM
가장 먼저 DRAEM을 꼽을 수 있습니다. DRAEM의 전체 구조는 이렇습니다.
전체적인 구조는 Reconstruction 방식을 취하고 있는데요. 보통 Reconstruction 방식은 정상 이미지를 그대로 복원하도록 학습하죠. 반면 DRAEM에서는 정상 이미지로부터 합성한 Anomaly 이미지를 정상 이미지로 복원하도록 학습하는 모습을 볼 수 있습니다. 자세한 내용은 DRAEM 리뷰글을 참고해 주세요.
3-2. CutPaste
다음으로 살펴볼 논문은 CutPaste 입니다. 제목이 모든걸 말해주고 있는데요. 말 그대로 ‘자르고 붙이는’ 방법으로 Synthetic Anomal를 만들어주는 방법입니다.
위의 그림처럼 정상 이미지로부터 CutPaste 방식으로 Anomaly를 만들어준 뒤 Classification을 학습합니다. 이렇게 학습하면 Normal Feature와 Anomal Feature 분포는 다음과 같을 겁니다.
이렇게 분포하고 있다면 Normal과 Anomal을 구분하기 수월하겠죠. 자세한 내용은 CutPaste 리뷰글을 참고해 주세요.
