Deep Visual Anomaly Detection with Data Augmentation = 데이터 증강 기법을 활용한 딥러닝 기반의 영상 이상 감지 시스템
저자
발행사항
대전 : 과학기술연합대학원 한국전자통신연구원 스쿨, 2021
학위논문사항
학위논문(석사)-- 과학기술연합대학원 한국전자통신연구원 스쿨 : ICT 2021. 2
발행연도
2021
작성언어
영어
주제어
발행국(도시)
대전
형태사항
; 26 cm
UCI식별코드
I804:30003-200000369164
소장기관
Recent developments in deep learning technology have opened new horizons in various fields of research. Especially in the abnormal detection task, research is being conducted to automate the labor-intensive features of this domain, such as monitoring tasks to detect anomalous situations immediately. However, the nature of an anomaly where data collection is difficult or impossible, which remains as a problem.
Recent studies have focused on the One-Class Classification technique with generative model. This technique requires only normal data for the training of the neural networks, so it does not necessarily require the collection of abnormal data. Labeling can also be simplified as the data only consist of a single normal class. While it is a certain advantage that it can be operated by utilizing only normal data which is relatively cost-efficient compared to abnormal data, there are disadvantages as well for the same reason. As a neural network can only observe normal data during the training, the criteria for judgment are also built on top of it. However, this is also an incomplete criterion because the training dataset cannot contain all normalities and also cannot see abnormal data as well. The criteria set in this way are prone to error on new inputs. For example, it is easy to misjudge when new normal data that is different from what model learned, or abnormal data similar to the learned data are entered. Therefore, the preparation of appropriate data to establish the criteria for the neural network is critical.
In this study, two methods are presented to complement the existing research. Each method is called Negative Learning (NL) and Pseudo Anomaly Generation (PAG), which of each can be used depending on a situation: using a small amount of abnormal data to guide the network or using normal data to augment abnormal data if it’s not available. The proposed methods showed improved performance over the baseline in anomaly detection task and demonstrated superior performance against other state-of-the-art studies in different sets of benchmark dataset for anomaly detection. We also provide an in-depth analysis of the composition of the proposed approach, presented through the experiments.
근래 딥러닝 기술의 발전은 다양한 연구분야에서 새로운 지평을 열고있다. 특히 이상 감지 분야에선 인력을 필요로 하는 감시 업무나 이상 상황의 인식 등을 딥러닝 모델로 대체하기 위한 연구가 이루어 지고있다. 하지만 데이터 수집이 어렵거나 불가능한 이상 상황의 자연적 특징은 아직 해결해야할 문제로 남아있다.
최근의 연구는 데이터 수집의 난점을 회피하기 위해 정상 상황만을 학습에 사용하는 단일 범주 분류(One-Class Classification) 기법과 비지도 학습에 기반한 생성 모델(Generative Model)이 각광받고 있다. 이는 정상 데이터만을 학습에 필요로 하여, 비정상 데이터의 수집을 반드시 요구하지 않는다. 또한 단일 범주의 데이터를 이용하기에 레이블 작업이 간단하게 이루어 질 수 있다. 수집하기 어려운 이상 데이터에 비해 상대적으로 수집 비용이 적게 요구되는 정상데이터만을 활용하는 것은 장점이지만 이로 인한 단점 또한 존재한다. 신경망은 학습 중 정상 데이터만을 관측 가능하기에 이에 기반한 의사 결정 기준(Decision Boundary)을 수립하지만 수집된 데이터 셋이 모든 정상을 포함할 수 없기에 이는 필연적으로 불완전 한 기준이 된다. 이렇게 설정된 기준은 새로운 입력에 대해 오류를 범하기 쉽다. 예를 들어 학습된 기준과 다른 새로운 정상 데이터 혹은 학습된 데이터와 유사한 이상데이터가 입력될 때 잘못 판단하기 쉽다. 따라서 네트워크의 기준을 확립하기 위한 적절 한 데이터의 준비는 매우 중요하다.
본 연구에서는 기존 연구의 단점을 보완하기 위해 두가지 방법을 제시한다. 각각의 방법은 부정학습(Negative Learning)과 가짜이상생성 (Pseudo Anomaly Generation)으로, 적은 양의 이상 데이터를 활용하여 성능을 개선하는 방법과 이상 데이터를 전혀 수집할 수 없을 때 정상데이터를 활용하여 이상데이터를 증강하는 방법이다. 정상 데이터 만 아니라 이상데이터를 활용하여 네트워크의 이상 판단 기준 확립에 도움을 주는 방법을 통해 기존 연구에 단점을 보완하여 개선된 성능을 보여주었으며, 여러 벤치마크 데이터 셋에서 여러 최신의 연구들 보다 뛰어난 성능을 입증하였다. 또한 실험을 통해 제시된 방법의 구성에 대한 심도 깊은 분석을 제공한다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)