이번 세미나에서는 사전 학습된 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD)에 적용하기 위한 방법론을 제안한 ‘AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection’ 논문에 대해서 발표해 주셨습니다. 해당 방법론은 기존의 Transformer Layer를 학습 가능한 Prompting Layer로 교체하고, Hybrid Semantic Fusion(HSF) 모듈을 통해 Semantic-Rich Image Embedding을 추출함으로써 이미지 레벨의 이상 탐지 성능을 향상시켰습니다. HSF 모듈은 Patch Embedding을 기반으로 각 이미지에서의 이상치 영역을 더 정밀하게 탐지할 수 있도록 설계되었습니다. AdaCLIP은 HSF 모듈을 사용해 다양한 산업 및 의료 도메인의 데이터셋을 사용하여 폭넓은 실험을 수행하였고, Image-Level과 Pixel-Level 두 분야 모두에서 우수한 성능을 보였습니다. 본 발표를 통해, CLIP과 같은 VLM 모델을 이상 감지와 같은 특정 작업에 적용하기 위해서는 모델의 내부 구조를 적절히 수정하고, 보조 데이터셋에 대한 효과적인 학습 방법을 개발해야 한다는 것을 느꼈습니다. 좋은 발표해 주셔서 감사합니다.

이번 세미나는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection" 논문에 대해 설명해주셨습니다. 최근 vision-language model을 사용하여 zero-shot anomaly detection 연구가 많이 나오고있는 분위기인 것 같습니다. 오늘 발표를 들으며 흐름을 알 수 있어서 좋았습니다. AdaCLIP에서는 최근에 제안된 AnomalyCLIP과 비교가 있긴 하지만 Hybrid Prompt와 Hybrid Semantic Fusion을 사용한다는 점에서 차이가 있었습니다. 발표 중간 중간 궁금한 점에 대해 답변을 잘 해주셔서 이해하기 좋았습니다. 좋은 발표 감사합니다.

금일 세미나는 VLM AD 관련 연구인 'AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection'이라는 논문을 소개해 주셨습니다. 보조 데이터셋을 활용해 사전 학습된 CLIP을 Zero-Shot Anomaly Detection에 Adapting하는 방법을 제안하고 있으며, Image/Text Encoder 내 Transformer Layer를 Learnable Parameter로 구성된 Prompting Layer로 대체하고 있습니다. 구체적으로, Prompting Layer 내 Hybrid Prompt (Static Prompt + Dynamic Prompt)를 도입함으로써, 모든 이미지에서 공유되는 특징과 더불어 다양한 분포에 대한 모델링 능력을 강화하고자 하였습니다. 해당 논문을 보면서, AnomalyCLIP, AdaCLIP 등 다양한 VLM AD 관련 연구들이 등장하고 있는 추세같아 머지않아 곧 2D AD처럼 성능이 saturation될 날도 멀지 않은 것 같은 느낌이 들었습니다. 발표자분의 상세한 발표자료 구성과 발표력 덕분에 ZSAD를 더욱 이해할 수 있었던 것 같습니다. 좋은 발표 감사합니다!

이번 세미나는 VLM을 이상 탐지에 적용하는 방법론을 제시한 논문인 'AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection'를 중심으로 진행되었습니다. 비록 AD Task로 훈련되는 과정이 프레임워크에 포함되기는 하지만, Test 과정에서 마주하게 되는 도메인의 정보는 학습하지 않기 때문에 ZSAD로 볼 수 있는 상황임을 소개해주셨으며, 그렇기에 헷갈릴 수 있는 여지가 적었던 것 같습니다. ZSAD에 잘 Adapting하기 위한 훈련 방식으로 Hybrid Prompt와 HSF(Hybrid Semantic Fusion)을 사용함을 언급하였는데, 납득이 가는 모델 구조였다고 생각합니다. 다만, 실험 세팅에서 AnomalyCLIP과의 직접적인 비교가 더 들어가있었다면 좋았겠다는 생각이 들었습니다. 좋은 발표 감사합니다.

이번 세미나는 'AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection' 논문을 중심으로 진행되었습니다. 발표에서는 사전 학습된 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD)에 적용하기 위해, Prompting Layer와 Hybrid Prompt를 활용하여 다양한 분포의 이상치 탐지 성능을 강화하는 방법을 제안했습니다. 특히 Hybrid Semantic Fusion(HSF) 모듈을 통해 이미지에서 세밀한 이상치 탐지를 가능하게 한다는 점이 인상적이었습니다. 좋은 발표 감사합니다.

금일 세미나는 target domain 외의 normal 데이터로 학습하고, 이를 통해 zero-shot anomaly detection을 수행하는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection"을 중심으로 진행되었습니다. 기존의 zero-shot AD 연구들은 대부분 pretrained된 CLIP과 같은 모델을 이용하여 직접적으로 예측을 수행하였으나, 필연적으로 일반 이미지 데이터와 공정 상 이미지 데이터의 차이로 인하여 제한적인 성능을 보여왔습니다. 이에 비해 타 공정 데이터를 통하여 정상 이미지 패턴을 학습하는 접근 방식은 비록 다른 도메인이라 하더라도 일반 공정 이미지의 특징을 학습한다는 장점이 있습니다. 특히 AdaCLIP의 경우에는 learnable prompt와 static prompt를 이용하여 공정 이미지에 대한 정보를 학습할 수 있도록 하고, text-image similarity map을 이용하여 공정 이미지 내 이상치가 존재할 수 있는 영역에 더욱 집중할 수 있는 구조를 취하고 있습니다. 실제 실험에서도 image/pixel level 모두에서 높은 성능을 보이면서, 공정 데이터를 이용한 zero-shot AD가 충분히 유효한 방법임을 증명하고 있습니다. 특히 인상적이었던 점은 WinCLIP 등 동일하게 static prompt를 이용하는 방법론에 비해서도 높은 성능을 도출한 것으로, 결국 Industrial AD 태스크가 일반 이미지로 학습된 모델에 대해 공정 이미지로 전이하는 작업이 중요하다는 점을 확인할 수 있었습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection"이라는 논문에 대한 소개를 중심으로 진행되었습니다. AdaCLIP은 사전 학습된 CLIP 모델을 이용하여, 효율적으로 Zero-Shot Anomaly Detection(ZSAD)을 수행할 수 있도록 개선하는 방법론을 제시합니다. 해당 연구는 기존의 CLIP 모델에 새롭게 설계된 Hybrid Learnable Prompts를 통합하여, 세밀한 Semantic 정보를 포착할 수 있게 하고, 이를 통해 이상치 탐지 성능을 향상 시킬 수 있었습니다. 본 논문의 가장 큰 특징은 CLIP의 Transformer Layer를 Learnable Prompting Layer로 대체하고, Hybrid Semantic Fusion(HSF) 모듈을 추가하여 Image Embeddings을 더욱 풍부하게 함으로써 특정 이미지 내에서 이상 부분을 더 명확하게 식별할 수 있도록 하였습니다. 본 세미나를 통해 Zero-Shot Anomaly Detection이라는 분야에 대해서 더 알 수 있었고, 관련 연구들에 대해서도 간략하게 설명해주셔서 흐름을 이해하기 좋았습니다. 좋은 발표 준비해주셔서 감사드립니다.

이번 세미나에서는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection"에 대해 소개해주셨습니다. AdaCLIP은 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD)에 최적화하는 새로운 접근 방법으로, CLIP의 기존 구조를 유지하면서 학습 가능한 Static과 Dynamic 프롬프트를 조합한 Hybrid Prompts를 통해 다양한 이상치 분포를 다루게 되는 방법론입니다. Static 프롬프트는 모든 이미지에 공통으로 적용되어 CLIP이 ZSAD 작업에 적응하도록 돕고, Dynamic 프롬프트는 테스트 이미지마다 개별적으로 생성되어 더욱 구체적인 이상 탐지를 가능하게 합니다. 또한, Hybrid Semantic Fusion(HSF) 모듈을 도입하여 이미지 내 특정 이상 영역의 정교한 표현을 추출함으로써 이미지 수준에서의 이상 탐지 성능을 크게 향상시켰습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 “AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection” 논문을 소개해주셨습니다. AdaCLIP은 사전 학습된 CLIP 모델에 Hybrid Learnable Prompts를 통합하여, Zero-Shot Anomaly Detection(ZSAD)에서 성능을 개선하는 방식을 제안합니다. 기존의 CLIP 모델을 단순히 사용하는 것이 아니라, learnable prompt와 static prompt를 혼합하여 공정 이미지의 패턴을 학습하고, text-image similarity map을 통해 이상치가 있을 가능성이 높은 부분을 더 집중적으로 탐지할 수 있도록 한 것이 인상적이었습니다. 특히, 새로운 Hybrid Semantic Fusion 모듈을 통해 이미지 내 이상 부분을 더 효과적으로 식별하며, 기존 방식에 비해 더 높은 정확도를 보여주었습니다. 실험 결과에서도 image 및 pixel 단위에서 우수한 성능을 보였고, 이는 공정 데이터를 이용한 zero-shot 방식의 가능성을 잘 보여준 사례였습니다. 좋은 발표 감사합니다.

금일 세미나는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection" 논문을 바탕으로 진행되었습니다. 해당 연구는 Image anomaly detection task에서 Zero-shot anomaly detection을 위한 방법론을 제안하고 있습니다. Zero-shot anomaly detection은 학습 없이 알려지지 않은 새로운 class에 대한 이미지 내 이상치를 탐지하는 것을 목표로 하며, 타겟 도메인이 학습 데이터를 보유하지 않거나 데이터 보안 정책을 고려하는 상황에서 좋은 대안이 될 수 있기에, 중요한 task라고 말할 수 있습니다. 이에 CLIP과 같은 사전 학습된 VLM의 강력한 일반화 능력을 활용한 Zero-shot anomaly detection 연구들이 진행되고 있습니다. 해당 논문에서 제안하는 AdaCLIP은 사전 학습된 CLIP의 Image/Text Encoder 내 Transformer Layer를 학습 가능한 파라미터로 구성된 Prompting Layer로 대체하여, 모든 이미지에서 공유되는 특징과 더불어 다양한 분포에 대한 모델링 능력을 강화하고 있습니다. 또한, 패치 이미지 임베딩에 대하여 Hybrid Semantic Fusion(HSF) 모듈을 통해 Semantic-Rich Image Embedding을 추출하여 Image-Level Anomaly Detection 성능 향상시키고 있습니다. 자세하게 설명해주셔서 이해가 수월했습니다. 좋은 발표 정말 감사드립니다.

이번 세미나에서는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection" 논문을 소개해 주셨습니다. AdaCLIP은 기존 CLIP 모델에 학습 가능한 하이브리드 프롬프트를 도입하여, 다양한 분포의 이상치 탐지 성능을 향상시키는 방법론을 제시한 연구입니다. 특히, Static Prompt와 Dynamic Prompt를 결합한 Hybrid Prompting과, 이미지 내의 세밀한 특성을 포착하기 위한 Hybrid Semantic Fusion 모듈을 통해 기존 ZSAD의 한계를 극복하려는 접근이 인상 깊었습니다. 이러한 구조적 변화가 이상 탐지에서 더 정교한 표현 학습을 가능하게 한다는 점이 흥미로웠고, 다양한 도메인에서의 적용 가능성을 보여준 실험 결과 또한 유익했습니다. 발표자분의 논리적인 설명과 자료 구성 덕분에 모델의 핵심 개념을 쉽게 이해할 수 있었습니다. 좋은 발표 감사드립니다!

이번 세미나는 "AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection"이라는 논문을 중심으로 진행되었습니다. 이 연구는 기존의 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD)에 효과적으로 적용하기 위한 혁신적인 방법론을 제안합니다. 발표자는 CLIP의 Transformer Layer를 학습 가능한 Hybrid Prompting Layer로 교체하고, Hybrid Semantic Fusion(HSF) 모듈을 통해 풍부한 의미 정보를 담은 이미지 임베딩을 추출함으로써 이상 탐지 성능을 향상시키는 과정을 상세히 설명했습니다. 특히, HSF 모듈은 패치 임베딩 기반으로 이상치 영역을 정밀하게 탐지할 수 있도록 설계되어, 다양한 산업 및 의료 도메인 데이터셋에서 우수한 성능을 발휘했습니다. 발표자는 AdaCLIP이 Image-Level과 Pixel-Level 모두에서 뛰어난 결과를 도출했음을 강조하며, 이러한 접근이 모델의 내부 구조를 수정하고 보조 데이터셋을 효과적으로 활용하는 것의 중요성을 잘 보여주었다고 언급했습니다. 이 연구는 다양한 VLM 기반의 이상 탐지 연구가 증가하는 추세 속에서, CLIP 모델을 특정 작업에 맞춰 조정하는 것이 필수적임을 강조합니다. 발표자는 각 실험의 결과를 통해 공정 이미지에서 학습한 정보가 실제 적용에 어떻게 기여하는지를 명확히 했습니다. 전반적으로 AdaCLIP은 Zero-Shot Anomaly Detection 분야에서 의미 있는 기여를 할 것으로 기대되며, 발표자님의 훌륭한 설명 덕분에 이 주제에 대한 이해가 한층 깊어졌습니다. 흥미로운 논문과 발표에 감사드립니다.

이번 세미나에서는 'AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection'에 대해 설명해주셨습니다. AdaCLIP은 사전 학습된 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD) 작업에 맞게 적응시키는 접근법을 제시합니다. 구체적으로, CLIP의 기존 Transformer Layer를 학습 가능한 파라미터로 구성된 Prompting Layer로 교체하여 이상 탐지 성능을 개선하고, Static Prompt와 Dynamic Prompt를 결합한 Hybrid Prompt를 사용하여 이미지의 일반적인 특징뿐만 아니라 각 이미지에 맞는 구체적인 특징도 함께 학습합니다. 또한, Hybrid Semantic Fusion(HSF) 모듈을 도입하여 이미지 내 특정 이상 영역의 세밀한 표현을 추출함으로써 이미지 레벨과 픽셀 레벨에서의 이상 탐지 성능을 모두 강화했습니다. 발표를 통해 CLIP과 같은 Vision-Language 모델을 특정 작업에 맞춰 조정하고, Hybrid Prompt와 HSF 모듈을 통한 이미지 임베딩의 세부적인 정보 추출 과정에 대해 잘 이해할 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 “AdaCLIP: Adapting CLIP with Hybrid Learnable Prompts for Zero-Shot Anomaly Detection” 논문이 소개되었습니다. 이 연구는 CLIP 모델을 Zero-Shot Anomaly Detection(ZSAD)에 적응시키기 위해 Static Prompt와 Dynamic Prompt를 결합한 Hybrid Prompting과 Hybrid Semantic Fusion(HSF)을 활용한 새로운 구조를 제안합니다. 기존의 일반 이미지 데이터와 산업 공정 이미지 간 도메인 차이로 인해 ZSAD의 성능이 제한적이었지만, AdaCLIP은 타 공정 데이터를 학습하여 정상 패턴을 효과적으로 모델링하고, text-image similarity map을 활용해 이상치 영역에 집중하는 방식으로 이를 극복했습니다. 실험 결과, AdaCLIP은 이미지와 픽셀 수준 모두에서 우수한 성능을 보이며, WinCLIP 등 기존 Static Prompt 기반 방법론보다도 뛰어난 성능을 입증했습니다. 발표를 통해 Zero-Shot AD에서 도메인 적응의 중요성을 잘 이해할 수 있었으며, 공정 데이터를 활용한 접근 방식의 가능성을 확인할 수 있던 유익한 시간이었습니다. 감사합니다!