AdapTS: マルチクラスおよび継続的視覚異常検知のための軽量な教師-生徒アプローチ

概要: 視覚的異常検知（VAD）は産業検査において極めて重要ですが、現在のほとんどの手法は単一カテゴリのシナリオに限定され、実世界の環境が求めるマルチクラスおよび継続的学習の要件に対処できていません。教師-学生（TS）アーキテクチャは効率的ですが、継続的設定ではまだ十分に検討されていません。このギャップを埋めるべく、マルチクラスおよび継続設定に対応した統一TSフレームワーク AdapTS を提案します。エッジデプロイメントに最適化されています。AdapTS は、共有された凍結済みのバックボーンを1つ用い、学生側の経路に軽量な学習可能アダプタを注入することで、2種類の異なるアーキテクチャを必要としないようにします。トレーニングは、セグメンテーションを指針とした目的関数と合成 Perlin ノイズによって向上します。一方、プロトタイプベースのタスク識別機構が推論時にアダプタを動的に選択し、精度は99%を達成します。
MVTec AD および VisA に対する実験は、AdapTS がマルチクラスおよび継続学習シナリオにおいて既存の TS 手法の性能に匹敵することを示すとともに、メモリオーバーヘッドを大幅に削減します。我々の最も軽量なバリアント AdapTS-S は、追加メモリがわずか 8 MB で、STFPM（95 MB）より 13 倍、RD4AD（360 MB）より 48 倍、DeSTSeg（1120 MB）より 149 倍少なく、複雑な産業環境におけるエッジデプロイメントに高度にスケーラブルなソリューションとなります。