En la detección de anomalías de imágenes industriales, los métodos de reconstrucción de características autosupervisados son prometedores, pero aún enfrentan desafíos como generar muestras de anomalías realistas y diversas al tiempo que mitigan la redundancia de características y el sesgo previo al entrenamiento. Las anomalías sintéticas carecen de diversidad y realismo, lo que dificulta la generalización del modelo. Mientras tanto, la detección basada en reconstrucción de características, aunque simple, debe mejorar con altas demandas computacionales y requiere una selección de características más efectiva. Estudios recientes enfatizan la importancia de la selección de características, instando a un enfoque unificado para avanzar en la detección de anomalías, que es crucial en el control de calidad industrial y el monitoreo de seguridad.
Investigadores de la Facultad de Información e Ingeniería de la Universidad Capital Normal y la Escuela de Inteligencia Artificial de la Universidad de Correos y Telecomunicaciones de Beijing han desarrollado RealNet, un marco de reconstrucción de características que incorpora la síntesis de anomalías de difusión controlable por fuerza (SDAS) que genera anomalías diversas y realistas alineadas. con distribuciones naturales, selección de características conscientes de anomalías (AFS) y selección de residuos de reconstrucción (RRS). RealNet mejora la detección de anomalías mediante el uso eficiente de funciones CNN previamente entrenadas, lo que reduce la redundancia y el sesgo. Introduce SDAS para una síntesis de anomalías realista, AFS para la selección de características y RRS para la selección residual adaptativa. RealNet supera a los métodos existentes en conjuntos de datos de referencia e introduce el conjunto de datos de anomalías industriales sintéticas (SIA) para la síntesis de anomalías, lo que facilita los métodos de detección autosupervisados.
Los métodos de detección de anomalías no supervisados se basan únicamente en datos normales para el entrenamiento y se dividen en cuatro categorías: aprendizaje autosupervisado basado en reconstrucción, incorporación profunda de características y clasificación de una clase. El estudio se centra en los métodos de reconstrucción y aprendizaje autosupervisado, que son cruciales para el marco RealNet. Si bien los métodos de reconstrucción luchan por reconstruir anomalías de manera efectiva, estudios recientes enfatizan la detección de anomalías mediante la reconstrucción de características previamente entrenadas. Sin embargo, persisten los desafíos en la redundancia de características y la selección entre diferentes categorías de anomalías. Por el contrario, los métodos autosupervisados como SDAS permiten una síntesis de anomalías realista sin datos etiquetados, ofreciendo control sobre las intensidades de las anomalías utilizando únicamente imágenes normales.
RealNet es un marco para la detección de anomalías que consta de SDAS, AFS y RRS. SDAS genera imágenes anómalas con diferentes intensidades, imitando anomalías reales. AFS selecciona características discriminativas previamente entrenadas, lo que reduce la redundancia y controla los costos. RRS selecciona de forma adaptativa residuos discriminativos para la identificación de anomalías. RealNet supera los métodos existentes en conjuntos de datos de referencia e introduce SIA para la síntesis de anomalías. La evaluación incluye métricas FID y comparaciones con otros métodos como RDR y RLPR.
RealNet supera a los métodos Image AU-ROC y Pixel AUROC de última generación en cuatro conjuntos de datos de referencia. El marco RealNet demuestra mejoras significativas tanto en Image AU-ROC como en Pixel AUROC en comparación con los métodos de última generación actuales. RealNet logra una mejora sustancial del rendimiento en comparación con los métodos anteriores basados en reconstrucción. Los resultados muestran que RealNet funciona mejor que métodos alternativos como PatchCore, SimpleNet y FastFlow. La evaluación de la calidad de las imágenes de anomalías generadas por RealNet utilizando FID (Distancia de inicio de Frechet) muestra que las imágenes de anomalías sintéticas están cercanas a la distribución de las imágenes de anomalías reales.
En conclusión, RealNet es un marco de vanguardia para la detección de anomalías autosupervisada que comprende tres elementos clave: SDAS, AFS y RRS. Juntos, estos componentes permiten a RealNet aprovechar modelos previamente entrenados a gran escala de manera efectiva para la detección de anomalías y, al mismo tiempo, garantizar la eficiencia computacional. Ofrece una plataforma versátil para futuras investigaciones de detección de anomalías, centrándose particularmente en técnicas de reconstrucción de características previamente entrenadas. Amplios experimentos demuestran la capacidad de RealNet para abordar diversos escenarios de detección de anomalías del mundo real con competencia y eficacia.
Revisar la Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Únete a nuestro Canal de telegramas, Canal de discordiay LinkedIn Grarriba.
Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..
No olvides unirte a nuestro SubReddit de 38k+ ML
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.