사전 학습된 뉴럴 네트워크의 특징 추출을 통한 비지도 이상 감지

Abstract

대규모 의료, 제조 산업계에서 결함 여부를 찾는 것은 중요한 요소이다. 실제 적용에 있어 정상 비정상 데이터의 수는 대체로 불균형하며, 심한 경우 정상 데이터셋만을 보유할 수 있다. 이러한 경우를 위하여 비지도 학습을 통한 이상 감지는 필수적이다. 또한 제조 산업계에서의 추론 시간 또한 중요한 요소이다. 공장에서의 제품 완성도를 위해 실시간 이상 감지가 필요하다. 기존의 많은 연구는 특정 데이터셋에 우수하지 않은 성능을 내거나, 혹은 높은 성능을 달성했지만 긴 추론 시간으로 인해 실제 상황에서의 적용에는 어려움을 겪는 문제가 있다. 본 논문에서는 실시간 결함 감지 및 위치를 알아내기 위한 ADFD 프레임워크를 제안한다. ADFD 프레임워크는 이상 감지를 목표로 하는 데이터셋에 대한 추가 학습 없이 대규모 데이터셋에 대해 사전 훈련된 딥러닝 모델들의 특징 추출 능력을 사용한다. ADFD는 정상 샘플들의 특징들의 가우시안 분포를 사용하여 테스트 샘플의 분포가 이와 얼마나 떨어져 있냐에 따라 비정상 유무를 판단한다. ADFD는 ADNI, MVTec Anomaly Detection 데이터셋에 대해 이상 감지 및 지역화를 했고, 현재 존재하는 최고 수준에 가까운 성능을 달성하면서 동시에 추론 과정에서 더 짧은 시간을 소비한다. 실험 결과는 데이터셋의 특성에 따라 적절한 사전 훈련된 딥러닝 모델을 선택해야 함을 보여준다. ADFD는 우수한 성능과 함께 보다 더 실시간 추론에 가까우므로 실제 산업계에서 적용할 수 있는 좋은 선택지가 될 것이다.