PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2503.04997v4cs.CV

ISP-AD: 합성 및 실제 결함을 활용한 산업 이상 탐지 발전을 위한 대규모 실세계 데이터셋

ISP-AD: A Large-Scale Real-World Dataset for Advancing Industrial Anomaly Detection with Synthetic and Real Defects

머신러닝 기반 자동 시각 검사는 산업 현장에서 무결함(zero-defect) 정책 달성에 핵심적인 역할을 한다. 이상 탐지(anomaly detection) 연구는 복잡한 결함 외관과 생산 공정에서 흔한 불완전한 촬영 조건을 반영하는 데이터셋(dataset) 확보에 제약을 받는다. 최근 벤치마크(benchmark)는 공개 데이터셋의 대부분이 최적 촬영 조건에 치우쳐 있어, 실세계 산업 시나리오에서의 적용 가능성을 과대평가하게 만든다는 점을 보여준다. 이러한 공백을 메우기 위해 Industrial Screen Printing Anomaly Detection Dataset(ISP-AD)을 제안한다. ISP-AD는 높은 허용 디자인 가변성을 갖는 구조화된 패턴 안에 포함된, 도전적인 소형·저대비 표면 결함을 담는다. 우리가 아는 한, 공장 현장에서 직접 수집한 합성 결함과 실제 결함을 모두 포함하는 공개 산업 데이터셋 가운데 현재까지 최대 규모이다. 최근 비지도 이상 탐지 방법 벤치마킹에 더해, 합성 결함과 실제 결함을 함께 쓰는 혼합 지도 학습(training) 전략 실험도 수행했다. 실험 결과, 약하게 라벨링된 실제 결함을 소량 주입(inject)해도 일반화(generalization)가 개선된다. 또한 순수 합성 결함만으로 학습을 시작한 뒤에도, 새로 등장하는 실제 불량 샘플을 이후 확장 가능한 학습에 효율적으로 통합할 수 있다. 종합하면, model-free 합성 결함은 cold-start 기준선(baseline)을 제공할 수 있고, 소량의 주입된 실제 결함은 이전에 보지 못한 결함 특성에 대한 결정 경계를 정교화한다. 제시한 비지도·지도 데이터셋 분할은 비지도, 자기지도(self-supervised), 지도(supervised) 접근법 연구를 강조하도록 설계되어 산업 환경에서의 적용 가능성을 높인다.

arXiv:2410.23158v3cs.LG

단조 이상 탐지

Monotonic anomaly detection

준지도 이상 탐지(semi-supervised anomaly detection)는 정상 학습(training) 데이터와 다르게 보이는 모든 레코드가 잠재적인 이상치라는 원리에 기반합니다. 그러나 어떤 경우에는 높은 속성값(또는 낮은 속성값이며, 둘 다는 아님)에 해당하는 이상치에 특별히 관심을 갖기도 합니다. 거리 기반 방법(distance-based methods)을 위해, 본 논문에서는 램프 함수(ramp function)를 결합하여 이러한 단조성(monotonicity)을 고려하는 비대칭 거리 척도를 제안합니다. Isolation Forest 알고리즘에 대해서는 수정된 경로 길이(path length) 알고리즘을 제안합니다. 합성 데이터셋과 실제 데이터셋에 대한 실험을 통해, 이러한 제안 방법들이 단조 속성을 가진 데이터셋에서 이상 탐지 성능을 향상시킴을 보여줍니다.