AnomalyNCD Towards Novel Anomaly Class Discovery in Industrial Scenarios

第64回CV勉強会＠関東「CVPR2025読み会」（前編）

Transcript

1. AnomalyNCD Towards Novel Anomaly Class Discovery in Industrial Scenarios
2. Confidential & Proprietary | 2 自己紹介 学生時代は、産業技術総合研究所で卒業研究を実施。 その縁で、AIST認定ベンチャーに入社。 その後、25年以上AIの研究開発に従事。 主に取り組んだ研究開発事例 ・GAによる光学機器の自動調整、半導体設計の最適化 ・動画/静止画/センサ/音の異常検知 2012年 弊社創業と同時に入社 2014年 現職
3. Confidential & Proprietary | 3 産総研発の 外観検査AI スタートアップ 会社名 代表取締役 事業内容 取引実績 主要株主 社員数 株式会社アダコテック（設立：2012年3月12日） 河邑 亮太 産総研特許技術を基軸とした外観検査AIソフトウェア・ アルゴリズムの開発・販売 自動車OEM/Tier1メーカー 、大手電子部品・半導体、 インフラ、警備会社 等 東京大学エッジキャピタルパートナーズ、東大IPC、DNX Ventures、リアルテックファンド、Spiral Capital 他 約20名 Mission テクノロジーで 生産現場を エンパワーメントする
4. Confidential & Proprietary | 4 産業分野における異常検出結果の活用 • 画像内の異常を検出する方法は、過去色々提案されている。 ◦ PaDim、PatchCore、WinClip等々・・・ • これらの方法はOK/NGの判定を行うも物で、NGの内容については考慮されていない ◦ また、異常の種類も多様で学習時に網羅されているとも限らない • 検出結果から異常傾向を整理し、フィードバックする事でより高度に異常検出結果を生かす 事ができる。 bent_lead damaged_case cut_lead
5. Confidential & Proprietary | 5 既存手法の課題 被写体が画像の中心にある事が前提とされている 事前情報が無く、均質な異常パターン を扱うのが難しい 提案手法
6. Confidential & Proprietary | 6 AnomalyNCDの全体概要 • MEBin、Mask-Guided Representation Learning、PLCがこの手法要素技術
7. Confidential & Proprietary | 7 Main Element Binarization（MEBin） 問題提起：異常スコアマップはノイズが多い • スコアマップにはノイズや複数領域が含まれる • クラスタリングの質を下げる原因となる 解決策：MEBin • 主要な異常領域のみをマスクとして抽出 • 処理ステップ： 1. 連結成分を抽出 2. 小領域を除外 3. 中心に近い領域を優先 効果 • 異常cropが“意味のある”ものに限定される • ノイズ領域が除去されクラスタリング精度が向上 • Ablation Studyで有効性を実証
8. Confidential & Proprietary | 8 Mask-Guided Representation Learning（MSGL） 問題提起：異常とは無関係な特徴も学習 •既存の特徴抽出では、異常とは無関係な背景やノイズ が混入 •類似した異常でも分類・クラスタリング精度が低下 解決策： MSGL •入力画像と異常マスクをセットで使用 •Attention機構にマスク情報を与え、異常領域 だけを強調 効果 •ノイズの影響を排除し、異常領域に特化した特徴を抽出 •異常の種類ごとに特徴がまとまりやすくなる（クラスタが分 離）
9. Confidential & Proprietary | 9 Pseudo-Label Correcting（PLC） 問題提起：擬似ラベル内のノイズ •異常領域のクラスタリングにはラベルがなく、初期クラ スタにはノイズが含まれる •擬似ラベルの誤りをそのまま学習に使うと、クラスタ構 造の崩壊や分類精度の低下を引き起こす 解決策： PLC •特徴と異常スコアをもとに、信頼できるサンプ ルのみを抽出して擬似ラベルを修正 •修正されたラベルのみで分類器を訓練し、ク ラスタリング性能と安定性を両立 効果 •誤ラベルによる学習のノイズを除去され、同一クラスタ内 の特徴の一貫性が向上
10. Confidential & Proprietary | 10 実験結果 • 実験条件 ◦ Aero-engine Blade Anomaly Detection Dataset (AeBAD-S)データセットを既知異常として利用 ◦ MVTec ADとMagnetic Tile Defect (MTD)を評価データとして利用 ◦ データセットに付与された欠陥区分との一致具合をもって性能評価
11. Confidential & Proprietary | 11 まとめ • マシンビジョンを導入したけど、過検出が多くて目視で再チェックという話は良くありまして教 師あり学習によって過検出救済を試みるの価値がある事だと思っています。 • その際のラベル情報整理としてこのような手法が生かせると思います。 • 心残りな点 ◦ Gitにコードがあったので試してみたかったけど、スコア計算部分を別途用意しないとダメ で心が折れました。
12. ご関心をお持ちの方はお気軽にこちらまでご連絡ください。 Email : sales@adacotech.co.jp TEL: 03-4346-4171 https://adacotech.co.jp/ Thank you very much for your time!!