이번 세미나에서는 Image Anomaly Detection, 그리고 그 중 Pixel 레벨의 Anomaly detection을 다루는 DRAEM : A discriminatively trained reconstruction embedding for surface anomaly detection 논문에 대해 세미나를 해주셨습니다. 이 방법론은 Reconstruction 기반의 방법으로 Reconstruction과 segmentation으로 이루어져 있습니다. Simulator를 통해 원본 이미지에 anomaly mask를 씌우고 이를 reconstruction 합니다. 그 후 reconstructed 이미지와 원본 이미지를 concat하고 원본 이미지에 씌웠던 anomaly mask를 타겟으로 segmentation 학습을 하게 됩니다. 이러한 방식을 통해 간단하고 general한 anomaly simulation을 이용해 학습을 진행할 수 있었으며 inference 에서는 어느 픽셀에서 anomaly가 발생했는지 확인할 수 있다는 장점이 있었습니다. Background에서 related work를 자세하게 설명해주셨기 때문에 Image anomaly detection에 대해 쉽게 이해할 수 있어습니다.

이번 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection이라는 논문을 다루었습니다. DRAEM은 auto-encoder 구조를 기본으로 anomaly 이미지와 anomaly-free reconstruction이미지의 joint representation을 학습하고 이를 바탕으로 정상 데이터와 이상치 데이터 간의 decision boundary를 학습하는 모델입니다. 구조가 상당히 간단한 방식인데도 성능이 기존 모델들과 비슷하거나 특정 영역에서는 더 좋은 성능을 내는 것을 보고 좋은 모델이라는 생각이 들었습니다. Future work로 다룬 SSPCAB 방법론의 경우, 기존 모델을 기본으로 하여 dilated filter를 추가한 모델로 더 좋은 성능을 낸 것을 확인할 수 있었습니다. background를 아주 자세히 다루고 실험한 데이터셋에 대한 내용까지 다루어서 발표 내용을 쉽게 이해할 수 있었습니다. 좋은 발표 감사합니다.

오늘 세미나에서 소개된 방법론은 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection이라는 방법론입니다. 해당방법론은 비지도학습 기반의 anomaly localization을 수행하며, 다른 방법론에도 general하게 활용 가능합니다. 구체적으로 simulator를 통해 다양한 anomaly image를 생성하고 이를 통해 원본 이미지를 구축하여 reconstruction loss를 구축합니다. 또 input image와 재구축된 이미지를 바탕으로 pixel level anomaly detection mask를 생성하여 focal loss를 구성합니다. 즉 이상치와 anomaly-free reconstruction 이미지의 joint representation을 학습합니다. Simulator 등의 도입과 reconstructive, discriminative network의 도입으로 over-generalization과 overfitting 문제를 해결한 점이 흥미로웠던 것 같습니다. 첫 발표 준비를 많이 하신게 느껴졌고, 특히 background 정리력이 인상깊었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection 논문에 대해서 다루어 주셨습니다. 전체적으로 이 모델은 Auto-encoder를 기반으로 하나, 기존에 하는 방식과는 다르게 기존 이미지와 auto-encoder 구조를 통해 생성되는 이미지 간의 Reconstruction error를 추출하지 않고, Anomal 이미지를 정상 이미지로 복원시키는 모델을 학습합니다. Anomal 이미지는 실제 데이터들이 아니고, 정상 이미지들을 바탕으로 따로 Augmentation하게 되는데, Perlin noise generator를 통하여 noise 이미지를 생성하여 다양한 Anomaly shape를 포착합니다. 이후 이를 원본 이미지에 입혀 Anomal 이미지를 만들고, 이를 다시 원래의 정상 이미지로 복원하는 네트워크를 만들게 됩니다. 제가 아직 많은 것을 알고 있지는 못하지만, Auto-decoder방식이라 하면 당연히 기존 이미지와 생성된 이미지 간의 reconstruction error를 구하는 것을 핵심이라 생각했으나, 이 모델은 전혀 다른 방법으로 모델을 구성하여 좋은 성과를 냈습니다. Future works로 제시해주신 SSPCAB모델은 dilated mask filter를 통하여 정보를 숨긴 후, contextual 정보를 이용하여 masked 정보를 예측 또는 재구축하고자 하는 모델입니다. 비교적 간단한 방법으로 생각되지만 이를 바탕으로 좋은 성능을 달성하였습니다. 발표자료가 너무 깔끔하고 보기 좋았고, 자세하게 설명해 주셔서 좋았습니다. 특히 마지막에 발표자분이 말씀해주신 “Simple is the best”라는 말이 크게 와 닿은 발표였습니다. 좋은 발표 감사합니다.

이번 세미나는 이미지 이상치 탐지를 주제로 두 논문이 소개 되었습니다: DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection, SSPCAB : self-supervised predictive convolutional attentive block. 개인적으로 이상치 탐지 분야 내 여러 도메인 중에서 이미지 이상치 탐지가 실용성이 높다는 생각이 들어 특히 관심이 갑니다. 이미지 이상치 탐지는 크게 general anomaly(전체 이미지를 이상치로 판단)과 surface anomaly(정상과 차이가 나는 pixel을 이상치로 판단)으로 분류할 수 있습니다. 이 중 소개해주신 DRAEM 방법론은 surface anomaly detection에 해당합니다. DRAEM은 Reconstructive 네트워크와 Discriminative 네트워크로 전체 모델을 구성하였습니다. 먼저 원본 정상이미지를 이용하여 여러가지 가짜 이미지를 생성한 후(simulated anomaly generation) reconstructive 네트워크를 통해 원본 이미지를 복원하도록 합니다. 이렇게 복원된 이미지와 입력한 가짜 이미지 및 정상이미지 까지를 discriminative 네트워크에 연이어 입력합니다. 그리고 앞서 simulator에서 생성한 anomaly map에 해당하는 mask detection 값을 출력하도록 하여 이 둘을 비교합니다. 쉽고 간결한 다양한 아이디어를 잘 녹여낸 방법론이라 생각이 듭니다. 이어서 소개해주신 SSPCAB는 하나의 모델은 아니고 dilated masked convolutional layer를 이용하여 contextual 정보를 이용하여 masked 정보를 예측(재구축)하는 함수입니다. 즉, 어떠한 모델에서도 해당 함수를 적용할 수 있습니다. 실제로 실험에서 DRAEM에 이를 적용한 결과를 보여주고 있습니다. 역시나 이미지 이상치 탐지 분야의 설명을 늘 흥미로운 것 같습니다. 훌륭한 발표 감사합니다.

이번 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection 연구와 SSPCAB: self-supervised predictive convolutional attentive block 연구에 대해 소개해주셨습니다. 기존에 AE를 이용한 Anomaly Detection 방법론은 원래 의도와 달리 Anomaly(이상치) 데이터에 Over-generalize되어 이상치 데이터가 입력되었을 때에도 복원이 정상적으로 수행되어 Reconstruction Error가 정상 데이터와 큰 차이가 나지 않는 경우가 발생하는 한계가 존재했습니다. DRAEM 또한 Auto Encoder 구조를 기반으로 하지만 Anomaly 이미지와 정상 이미지 데이터의 Joint Representation을 학습하고 Anomaly 및 정상 Example 사이의 Decision Boundary를 학습하여 기존 방법론의 한계를 개선시켰습니다.선정하신 논문에 대한 설명 이전, Background에서 Anomaly Detection에서 활용하는 Reconstructive Method의 핵심과 한계점을 잘 설명해주셔서, 내용 이해에 도움이 되었습니다. 발표자 분의 자세한 설명 덕분에 Anomaly Detection에 대해 흥미를 느낄 수 있었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection 논문을 소개해 주시고, 후반부에는 해당 방법론의 이후 연구인 SSPCAB : Self-supervised predictive convolutional attentive block 논문을 함께 소개해 주셨습니다. DRAEM은 기존의 GAN, Autoencoder 기반의 Reconstructive method의 over-generalization 한계를 극복하기 위해 Autoencoder와 Discriminator를 함께 사용하는 구조를 제안합니다. 특히 기존의 방법론들이 정상의 데이터만을 사용하는 것과는 다르게, 외부의 texture 데이터를 활용해 이상치를 만들고 그와 정상 데이터 reconstruction image의 joint-representation을 학습하여 둘 사이의 결정 경계를 학습하도록 합니다. 다음으로 소개해 주신 SSPCAB는 Masked convolution을 추가하고 Channel attention module를 추가하는 것으로 거의 모든 범주에 대해 성능 향상을 확인했다고 합니다. 이번 논문에서는 특히 외부의 texture 데이터를 활용하여 이상치 데이터를 생성한 것이 매우 인상 깊었으며, 발표자께서 첫 발표임에도 꼼꼼하게 related work 소개를 해 주셔서 재미있게 들었습니다. 좋은 발표 감사합니다.

이번 세미나는 픽셀 단위의 Anomaly Localization 이 가능한 DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection이었습니다. 해당 방법론은 정상 이미지를 Anomaly 이미지로 변형시키는 Simulator를 통해 임의의 Anomaly 이미지를 생성하고, 1) 이를 원본 정상 이미지로 복원하고, 2) Simulator가 Anomaly 이미지를 만들기 위해 사용한 Anomaly Mask를 Segmentation 하는 두가지 태스크를 통해 학습하게 됩니다. 기존의 Reconstruction이나 Segmentation과 같은 기존의 이미지 학습 방법론을 이용하고 있음에도, Anomaly 이미지를 생성하는 Simulator의 도입으로 성능이 개선되고, Localization이 가능하다는 점이 흥미로웠습니다. 특히 Simulator가 복잡한 모델 구조를 가지는 것이 아니라 단순한 노이즈를 다양한 방법론으로 삽입하여 간편하게 도입이 가능하다는 점이 장점인 것 같습니다. 최근 연구들이 점점 기존의 Supervised Setting에서 벗어나, Self Supervised Setting이나, Regularization 등으로 이동하는 것 같은데, 해당 방법론도 이러한 방법론의 일환이지 않을까 싶습니다. Anomaly Localization을 위해 기존 이미지를 그대로 이용하면서 성능을 확보했다는 점에서 이미지 도메인에 특화된 Anomaly 데이터 생성방법을 잘 이용한 것 같습니다. 좋은 발표 감사합니다.

이번 세미나에선 Image Anomaly Detection을 주제로 DRAEM--A discriminatively trained reconstruction embedding for surface anomaly detection 과 Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection 라는 두 가지 연구에 대해 소개되었습니다. 첫 번째 논문에선 인위적으로 생성한 anomaly 이미지와 AutoEncoder를 통해 복원된 정상 이미지를 concat하여 anomaly 영역을 구분하도록 하는 discriminative sub-network를 학습합니다. 단순히 reconstruction based 방식을 사용한 것이 아니라 두 개의 Image-to-Image 형태의 모델을 학습하면서 각각의 역할을 달리한 아이디어가 참신했던 것 같습니다. 또한, 이렇게 직관적인 방법으로도 MVTec dataset에서 높은 성능을 달성했다는 점도 기억에 남는 연구인 것 같습니다. 두 번째 논문인 SSPCAB는 dilated filter나 Squeeze-and-Excitation(SE) module 같이 기존에도 CNN block 에 적용되던 구조를 통해 기존 anomaly detection 연구들의 성능을 개선합니다. 적용한 구조가 효과과 있었던 데에 대한 해석 부분이 의미가 있었던 연구라 생각되었습니다. MVTec dataset에서 높은 성능을 달성했던 연구들을 보면 이번 세미나에서 다뤄진 것처럼 기존의 방법론들을 조합한 직관적인 아이디어가 많은것 같은데 이러한 방법론들이 다른 데이터셋에서도 안정적으로 적용될 수 있는지가 앞으로의 Anomaly Detection 연구방향이 되지 않을까 하는 생각이 듭니다. 관련 연구에 대한 설명부터 후속연구에 대한 소개까지 유익한 세미나 였던 것 같습니다. 좋은 발표 감사합니다.

이번 세미나는 이미지 이상치 탐지 분야와 관련된 2편의 논문으로 진행되었습니다. 첫 번째 논문은 ICCV 2021에 억셉된 DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection 논문으로 이상치와 anomaly-free reconstruction 이미지의 joint representation과 정상과 이상치 example들 사이의 decision boundary를 학습하여 추가적인 후처리없이 간단히 anomaly localization이 가능하다는 contribution을 가지는 논문입니다. 두 번째 논문은 CVPR 2022에 억셉된 SSPCAB : Self-supervised predictive convolutional attentive block 논문으로 Dilated filter가 있는 convolutional layer로 이루어진 block 구조를 기반으로 마스킹된 정보를 예측하거나 재구축합니다. 이러한 구조를 통해 각종 sota 방법론들에도 적용이 가능하고, 이미지, 비디오를 이용한 anomaly detection에도 활용이 가능하다는 contribution을 보였습니다. 발표자분의 첫번째 세미나임에도 상세한 background 설명과 하나로 이어지는 발표 흐름이 너무 좋았던 발표였습니다. 좋은 발표 감사합니다!!

이번 세미나는 "DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection"라는 논문을 소개해주셨습니다. 본 논문에서는 DRAEM이라는 재구축 모델 기반의 이상치 탐지 방법론을 제안하였는데 정상 이미지와 인공 이상치 이미지 간의 joint representation을 학습하여 이상치 이미지를 탐지하였습니다. 일반적인 이상치 이미지 생성 방법론과 다른 새로운 이상치 이미지 생성 방법론을 제안한 것이 흥미로웠고, 이를 통해 AE의 over-generalization 문제를 해결한 점이 인상 깊었습니다. AUROC 성능 또한 비지도 학습임에도 불구하고 매우 높은 성능을 달성하였기 때문에 연구 관점이아니라 실제 실용 관점에서도 활용성이 높은 방법론이 아닐까하는 생각이 들었습니다. 좋은 발표 감사합니다.

금일 세미나는 "DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection"라는 주제로 진행되었습니다. 금일 발표에서는 이상치와 reconstruction의 joint representation을 학습하는 과정을 통해 정상 및 이상의 decision boundary를 학습하는 모델 DRAEM이 소개되었습니다. 대부분의 이상치 탐지 모델들은 정상 데이터만을 기반으로 모델을 학습하여 정상 데이터의 분포를 학습하고 이를 기반으로 이상치를 탐지합니다. DRAEM에서는 기존 방식에서 벗어나 simulated anomaly generation을 통해 정상 이미지로부터 이상 이미지를 생성하고 이를 학습에 사용함으로써 정상과 이상을 구분할 수 있는 decision boundary를 학습하는 점이 흥미로웠습니다. 하지만, DRAEM에서 학습에 사용하는 이상 이미지는 noise, masking 등으로 생성되기 때문에 실제 이상치와 다른 분포를 가질 확률이 높아 실제 이상치 탐지에 어려움이 있을 수 있다는 생각이 들었습니다. 개인적으로 오랜만에 틀에서 조금 벗어난 논문을 접할 수 있어 좋았습니다. 좋은 발표 감사합니다.

본 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection이라는 주제의 논문에 대한 리뷰를 진행하였습니다. DRAEM은 이상치와 anomaly-free reconstruction 이미지의 joint representation 학습하며 정상과 이상치 사이의 decision boundry에 대한 학습을 진행합니다. 이러한 DRAEM의 과정을 구체적으로 살펴보면, Simulated anomaly generation, Reconstructive sub-network, discriminative sub-network, surface anomaly localization & detection의 순서로 진행됩니다. 이 과정 중 simulator를 통해 anomaly를 생성하여 학습에 사용을 하는 것이 참신하다고 느껴졌습니다. 본 세미나를 통해 중점이 되었던 DRAEM 이외에도 다양한 이미지 이상치 탐지 기법들에 대한 설명을 다뤄주셨습니다. 항상 관심은 갖고 있던 분야지만, 이미지 처리에 대한 공부가 부족하여 관심만 갖고 있던 상황이었는데 본 발표 덕분에 어느정도 흐름을 잡은 것 같습니다. 좋은 발표 감사합니다.

이번 세미나는 vision anomaly detection 관련 논문인 DRAEM을 주제로 진행되었습니다. 본 논문에서 설명하고 있는 방법론은 auto-encoder 구조를 기반으로 하고 있으며 input 이미지와 다른 데이터셋으로 부터 sampling한 이미지를 texture로 사용하여 simulated anomaly를 생성하였습니다. 이를 원본 이미지로 재구축하여 SSIM loss를 추가한 reconstuction loss를 사용하고, 재구축된 이미지와 anomaly 이미지를 concat하여 disciminative sub-network와 focal loss를 통해 localization을 수행합니다. 다른 데이터셋으로 부터 anomaly image를 생성하는 점이 인상 깊었으며 굉장히 단순한 모델이지만 문제를 해결하기 위해 loss를 잘 설계한 느낌을 받았습니다. 좋은 발표 감사합니다.

이번 세미나에서는 image anomaly detection을 주제로 DRAEM과 SSPCAB, 총 2가지 논문을 소개해주셨습니다. 발표자분의 첫 세미나였음에도 불구하고 자료를 꼼꼼히 구성하신 점이 인상 깊었습니다. 이미지 이상치 탐지는 졸업생인 이윤승 석사가 세미나를 통해 자주 소개해주셨던 분야였는데, 이번 세미나에서도 background를 통해 해당 자료들을 다시금 만나볼 수 있어 반가웠습니다. 소개해주신 논문 중 첫 논문 DRAEM -- A discriminatively trained reconstruction embedding for surface anomaly detection은 reconstruction 기반의 anomaly embedding 모델을 제안하고 있습니다. 이상치에 해당하는 이미지와 reconstruction 이미지의 joint representation을 학습하고 정상과 이상치를 구분하는 decision boundary를 학습합니다. 두번째로 소개해주신 논문 Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection에서는 DRAEM을 baseline으로 삼아 reconstruction 기반의 임베딩 방식을 발전시킵니다. dilated filter를 포함한 convolution layer로 구성되어 있으며 이미지와 비디오 데이터에 모두 적용할 수 있다는 장점이 있습니다. 첫 발표임에도 너무나 열심히 준비하신 흔적이 곳곳에 있어 저도 좋은 영향 많이 받았습니다. 고생 많으셨습니다. 다음 발표도 기대하겠습니다.

금일 세미나는 "DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection"라는 논문을 소개해주셨습니다. 금일 발표에서는 이상치와 reconstruction의 joint representation을 학습하는 과정을 통해 정상 및 이상의 decision boundary를 학습하는 모델 DRAEM이 소개되었습니다. 일반적인 이상치 이미지 생성 방법론과 다른 새로운 이상치 이미지 생성 방법론을 제안한 것이 흥미로웠고, 이를 통해 AE의 over-generalization 문제를 해결한 점이 인상 깊었습니다. 해당 방법론으로는 simulated anomaly generation을 통해 정상 이미지로부터 이상 이미지를 생성하고 이를 학습에 사용함으로써 정상과 이상을 구분할 수 있는 decision boundary를 학습하는 점이 입니다. 좋은 발표 감사합니다

이번 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection 논문에 대해 소개해주셨습니다. DRAEM은 Auto-Encoder(AE) 모델 구조를 기반으로 외부 texture dataset을 활용하여 noise와 결합해서 임의의 anomaly를 만들어나가며 모델을 학습합니다. 해당 방법을 통해 기존 anomaly detection에서 AE의 문제점인 over-generalization 문제를 해결하고자 했습니다. 또한 두 번째로 소개된 Self-Supervised Predictive Convolutional Attention Block(SSPCAB)에서는 mask convolution를 사용하여 module 형태로 model agnostic 방법을 제안하였습니다. 본 논문에서 사용하는 mask convolution은 dilate convolution과 mask 방식을 결합하여 넓은 receptive field를 갖게하여 해당 픽셀에 대한 정보를 추출하도록 진행됩니다. 또한 Squeeze-and-Excitation module을 적용하여 channel 간 attention을 수행합니다. Module 형식으로 다양한 방법에 적용될 수 있도록 제안된 방법이라는 점에서 인상깊게 보았습니다. 첫 발표 잘들었습니다. 다음 발표도 기대하겠습니다.

금일 세미나에서는 DRAEM - A discriminatively trained reconstruction embedding for surface anomaly detection 에 대해 살펴보았습니다. DRAEM은 autoencoder와 discriminator로 구성되어 있으며 anomalous sample과 anomaly-free sample에 대한 joint representation을 학습합니다. 비교적 간단한 구조로 구성되어 있는데 unsupervised 방식임에도 불구하고 AUROC가 99로 supervised learning 방식들에 비해 떨어지지 않고, localization accuracy는 오히려 더 우수한 성능을 보임을 확인하였습니다. 방법론들이 지속적으로 발전하는데 조금더 난이도가 높은 benchmark dataset이 등장할 차례가 아닐까 생각이 들었습니다. 첫 발표인데 발표 구성이 좋아서 따라라기 편했습니다.

이번 세미나에서는 A discriminatively trained reconstruction embedding for surface anomaly detection을 주제로 진행되었습니다. 소개해주신 모델인 DRAEM은 reconstruction 기반으로 모델을 학습하나 기존의 방식과 다르게 정상 데이터에 대한 reconstruction error를 추출하지 않고 이상치와 anomaly-free reconstruction 이미지의 joint representation을 학습했습니다. 이 과정에서 사용하는 abnormal sample은 실제 이상치가 아니며, simulator를 통해 just-out-of distribution appearance를 생성했습니다. 기존 논문들은 정상데이터에 과도한 augmentation을 주어 정상 데이터를 변경하는 과정을 통해 abnormal sample을 생성했습니다. 하지만 DEAEM은 simulator를 통해 abnormal 데이터를 생성하기 위해 타 데이터로 부터 texture source를 가져온 후 다양한 noise를 추가하는 과정에서 앞선 논문들과 달리 보다 구체적인 방식으로 abnormal sample을 생성한다고 생각했습니다. 논문 발표시기를 고려했을 때 높은 성능을 달성한것이 흥미로웠습니다. 추가적으로 SSPCAB 모델도 소개 해주셨는데, dilated convolution layer를 통해 기존 모델의 성능을 향상시켰습니다. related work 부분을 꼼꼼히 작성해주어 좋았습니다. 연구하실 주제들도 기대됩니다.