이번 세미나에서는 Multi-class Anomaly Detection에서 이상치 위치 파악을 위한 새로운 접근법을 제안한 OmniAL: A Unified CNN Framework for Unsupervised Anomaly Localization 논문에 대해서 발표해 주셨습니다. 이는 UniAD, RegAD를 이어 나온 Multi-class Anomaly Detection 모델로 Panel-guided anomaly synthesis를 사용해 특정 패널 영역 내에서만 사진처럼 리얼한 Anomaly를 합성하여 학습에 활용함으로써, 이전 모델인 UniAD가 겪었던 동일한 이미지 복원 문제를 극복하고자 하였습니다. 또한, Dilated Channel and Spatial Attention (DCSA) 블록을 도입하여 Anomaly Reconstruction 오류를 증대시키고, 더 효과적인 Anomaly Region 파악을 위해 DiffNeck 모듈을 제안하였습니다. 해당 모델은 MVTecAD 데이터셋을 사용하여 Unified Setting과 Separate Setting 모두에서 UniAD 대비 성능 개선을 보여주었는데 특히, Panel-guided anomaly synthesis 방법은 이상 탐지의 성능을 눈에 띄게 향상시키는 중요한 요소로 작용하였습니다. 이를 통해 UniAD와 같은 기존 다중 클래스 모델들과 비교했을 때, OmniAL이 효과적으로 이상을 합성하고 탐지할 수 있는 능력을 갖추었음을 알 수 있었습니다. 또한, 본 논문에서는 실험 설정과 결과를 상세히 설명하며, MVTecAD를 포함한 다양한 데이터셋에 대한 OmniAL의 적용 가능성을 보여주었습니다. 궁극적으로 OmniAL은 실제 산업 환경에서 발생할 수 있는 다양한 이상 현상을 효과적으로 탐지하고 위치를 파악할 수 있는 가능성이 있는 논문임을 확인할 수 있었습니다. 좋은 발표해 주셔서 감사합니다.

이번 세미나는 unsupervised anomaly localization을 주제로 진행되었습니다. 이미지 이상치 탐지(Image Anomaly Detection) 분야 내 중심을 이루는 여러 축 가운데 reconstruction을 기반으로 발전되어온 방법론들이 있습니다. 이는 정상데이터만을 학습시킨 모델이 비정상 데이터가 주어졌을 때 제대로 복원하지 못할 것이라는 가설을 기반으로 합니다. 하지만 이와 다르게 비정상 데이터에 대해서도 복원을 잘 하는 over generalization 또는 identical shortcut이라는 문제가 발생하였습니다. 그러기에 비정상 데이터에 대해서는 reconstruction error를 최대화 할 수 있는 기술이 적용되어야 합니다. 대표적으로 정상 데이터의 원본에 노이즈를 부여하고 노이즈를 찾음으로써 원본을 재구축할 수 있도록 학습하는 anomaly synthesis 방식입니다. 소개하신 방법론 OmniAL도 이를 기반으로 하고 있습니다. OmniAL은 identical shortcut을 극복하기 위해 직접 설정한 영역에 anomaly synthesis가 이루어지도록하는 panel-guided anomaly synthesis 를 적용하였습니다. 더불어, reconstruction error의 차이를 크게하기 위해 Dilated Channel and Spatial Attention을 도입하며 reconstrucntion이 된 JNM(Just Noticeable Map)과 원본 이미지 그리고 synthesized anomaly 이미지를 DiffNeck이라는 제안하는 localization sub-network에 입력하여 얻은 각각의 loss를 통해 학습하게 됩니다. 전반적으로 기존의 방법론들에 대한 한계점과 그에 대한 보완 방안을 잘 매칭시킨 것 같습니다. 다만 궁극적으로 하고자하는 과업에 비해 그 과정이 조금은 복잡해보입니다. 해당 과정을 효율적으로 진행할 수 있는 쪽으로 연구가 이루어지는 것도 의미가 있어 보입니다. 많은 내용 준비해주신 발표자 분께 감사의 말씀 남깁니다.

이번 세미나에서는 "OmniAL: A unified CNN framework for unsupervised anomaly localization"이라는 논문에 대한 소개를 중심으로 진행되었습니다. Multi-Class Anomaly Detection 모델은 모든 데이터가 정상 데이터라는 가정하에 학습이 진행되는데, 이러한 방식은 현실 세계에 적합하지 않은 방법입니다. 특히 비정상 이미지가 데이터에 혼재되어 학습될 경우, 비정상 이미지까지 그대로 복원해 버리는 Over-Generation (Identical Shortcut) 문제점이 발생할 수 있습니다. 그렇기 때문에 비정상 이미지를 합성하는 방법론들이 등장하였고, 본 논문에서는 지정된 Panel 영역서만 Anomaly를 생성하는 Panel-guided Anomaly Synthesis를 제안합니다. 해당 방법은 기존 방식과 달리 일부 영역에 대해서만 Anomaly Mask를 수행하여 좀 더 섬세한 Synthesis가 가능하다는 장점이 존재합니다. 또한, Dilated Channel Spatial Attention과 DiffNeck을 제안하여 더욱 효과적인 Anomaly Detection과 Anomaly Localization이 가능하게 하였습니다. 해당 연구를 이해하기 위해 수반되어야 하는 사전 연구에 대해 자세히 설명해 주셔서 쉽게 이해할 수 있는 세미나였습니다. 좋은 발표 준비해 주셔서 감사합니다.

금일 세미나는 다양한 도메인에 대해 unsupervised anomaly detection 모델 학습 방법론을 제안한 "OmniAL: A unified CNN framework for unsupervised anomaly localization"을 중심으로 진행되었습니다. 기존의 Image Anomaly Detection 방법론들은 주로 특정 도메인의 정상 데이터를 통해 학습하는 프레임워크를 따르고 있습니다. 하지만 모델 관리 등에서 많은 이점이 예상되는 단일 모델을 통한 Multi-Class Anomaly Detection 방법론들이 꾸준히 제안되고 있습니다. 제안 방법론은 정상 데이터의 일부에 대해 Anomaly Pattern을 생성하고, 공간 정보에 집중한 Attention Mechanism을 이용하는 학습 방법론을 제안하고 있습니다. 더군다나 다양한 도메인에 대해서 동일한 프레임워크로 이상치 데이터를 생성함에도 불구하고 많은 도메인에서 매우 높은 성능을 달성하고 있습니다. 방법론을 구성하는 모듈이 매우 많음에도 각 모듈에 대한 기대효과 및 설계 의도에 대한 논리가 다소 부족한 점이 아쉬웠지만, 향후 다양한 Multi-Class Anomaly Detection 연구로 이어질 수 있을 것 같습니다. 좋은 발표 감사드립니다.

이번 세미나는 다양한 종류의 입력 이미지에 대한 이상 탐지를 할 수 있는 모델 혹은 프레임워크의 학습 방법론을 다루는 논문인 "OmniAL: A unified CNN framework for unsupervised anomaly localization"의 내용을 중심으로 진행되었습니다. 이미지 이상 탐지의 경우, 각 이미지 종류별로 해당 종류의 이상 탐지를 할 수 있는 모델을 학습시키는 경우와, 모든 종류의 이미지에 대한 이상 탐지를 할 수 있는 모델을 학습시키는 두 가지 시나리오가 존재합니다. 당연히, 하나의 모델로 모든 종류의 이미지에 대한 이상탐지를 할 수 있다면 좋겠지만, 당연히 모델 입장에서는 더욱 어려운 과업으로 생각할 수 있습니다. 본 논문은, Reconstruction-based 이미지 이상 탐지 시나리오에서의 고질적인 문제 중 하나인 over-generalization 문제를 해결하기 위해 특정 패널 내에서 임의로 anomaly를 생성하는 Panel-guided Anomaly Synthesis 방법론과, Dilated Channel Spatial Attention 서브모듈을 도입하였습니다. 추가로 DiffNeck이라는 서브모듈을 추가함으로서 Anomaly Localization을 더 효과적으로 하고자 하였으며, 이를 통해 Multi-class의 이미지에 대한 이상 탐지 모델로서의 좋은 성능을 달성하였습니다. 간단한 방법론만으로 성능을 높인 사례로 생각이 되며, 개인적으로는 Multi-class anomaly detection 시나리오로서의 특징이 반영된 방법론도 도입이 되어있다면 좋겠다는 생각을 했습니다. 좋은 발표 해주셔서 감사드립니다.

이번 세미나에서는 OmniAL: A unified CNN framework for unsupervised anomaly localization 라는 논문을 다루었습니다. 기존의 이상치 탐지 모델이 카테고리별로 별도의 모델을 훈련시켜야 하는 문제점을 해결하기 위해 해당 논문에서는 OminAL이라는 multi-class 이상치 탐지를 위한 CNN 프레임워크를 제안합니다. Reconstruction-based Image Anomaly Detection 방법론의 identical shortcut 문제점을 해결하기 위해 지정된 panel 영역에서만 anomaly를 생성하는 panel-guided anomaly synthesis 방법론을 제안합니다. 또한 reconstruction error를 증가시키기 위한 Dilated Channel and Spatial Attention (DCSA) 블록을 도입합니다. 그리고 이상 영역을 더 잘 파악하기 위해 Reconstruction과 LocalizationSub-network 사이에 DiffNeck을 제안합니다. 실험에서도 각 모듈의 우수성을 보이며 좋은 성능을 보입니다. Multi-class 문제를 다루는 이상치 탐지 모델을 접할 수 있어서 좋았던 것 같습니다. 좋은 발표 감사합니다.

본 세미나는 OmniAL: A unified CNN framework for unsupervised anomaly localization" 라는 논문을 바탕으로 진행되었습니다. 해당 논문은 Multi-class anomaly detection을 위한 CNN 프레임워크인 OmniAL을 제안하였습니다. 기존 문제점인 Reconstruction-based Image anomaly detection 방법론들의 "Identical Shortcut"을 해결하고자, 지정된 panel 영역에서만 anomaly를 생성하는 panel-guided anomaly synthesis 방법론을 제안한 것이 가장 큰 기여점이며, reconstruction error를 증가시키기 위해 reconstruction, localization(segmentation) sub-network 내에 dilated channel and spatial attention(DCSA)을 도입한 것이 2번째 개선점입니다. 추가적으로 효과적인 anomaly localization을 위해 reconstruction과 localization sub-network 사이에 diffneck을 제안한 것이 마지막 개선점입니다. 해당 세미나를 들으면서 가장 중요하다고 생각되는 부분은 reconstruction-based 방식에서 over-generalization을 막기 위해 synthesized anomaly를 사용한 경우 정교한 설계가 필요하다는 것과, 비정상 이미지에 대한 충분한 reconstruction error 차이를 유도해야 한다는 것이라고 생각하였습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나에서는 OmniAL: A unified CNN framework for unsupervised anomaly localization이라는 연구에 대해 소개해 주셨습니다. 해당 논문에서는 정상 데이터만을 학습에 사용한 모델은 이상치가 입력될 경우 Reconstruction을 잘못할 것이라는 가정에 기반한 Reconstruction 기반 Image Anomaly Detection 방법론들의 “Identical Shortcut” 문제를 극복하고자 했습니다. 이를 위해 지정된 Panel 영역에서만 Anomaly를 생성하는 Panel-guided Anomaly Synthesis 방법론을 제안했습니다. 또한 Anomaly에 대한 Reconstruction Error를 증가시키기 위해 Reconstruction, Localization Sub-network 내에 Dilated Channel and Spatial Attention을 도입했습니다. 마지막으로 이미지 내에서 Anomaly가 존재하는 특정 영역을 더 잘 분간하기 위해 Reconstruction Sub-network와 Localization Sub-network 사이에 DiffNeck이라는 모듈을 새로이 추가했습니다.기존 방법론의 단점 및 한계를 보완하기 위해 대응하는 방법론을 제안한 것은 직관적이었지만 이로 인해, 최종적으로 모델 학습에 사용되는 Loss가 네 개나 된다는 점에서 방법론의 복잡성이 상당히 높아진 것으로 보인 점은 아쉬웠습니다. 발표자 분께서 Background 및 방법론 세부 내용을 상세히 설명해주셔서 이해에 많은 도움이 되었습니다. 좋은 발표 감사합니다.

이번 세미나에서는 여러 가지 Class를 동시에 학습하여 모든 Class의 정상 이미지들을 아우르는 Decision Boundary를 찾는 것이 목표인 Multi-Class Anomaly Detection 분야에서의 새로운 모델으 제안하는 "OmniAL: A unified CNN framework for unsupervised anomaly localization"이라는 논문을 바탕으로 진행되었습니다. 다양한 Anomaly Detection 모델들 중 Reconstruction에 기반한 방식의 고질적인 문제점은 Over-Generalization, 즉 Test 시에 비정상 데이터 또한 잘 복원해내서 이를 이상치로 탐지하지 못한다는 점입니다. 이러한 문제점들을 해결하고자 정상 이미지를 기반으로 비정상 이미지를 합성(Synthesis)하여 비정상 이미지를 학습에 직접적으로 포함시키는 Anomaly Synthesis 방법론들이 많이 등장했으며, 오늘 소개한 OmniAL에서는 그중에서도 지정된 Panel 영역에서만 Anomaly를 생성하는 Panel0guided Anomaly Synthesis 방법론을 제안합니다. 또한 이에 더해 Reconstruction Error의 차이를 증가시키기 위해 Reconstruction, Localization(Segmantation) Sub-network 내에 Dilated Channel and Spatial Attention(DCSA)를 도입하였으며, 더 효과적인 Anomaly Localization을 위해 Reconstruction과 Localization Sub-network 사이에 DiffNeck을 제안합니다. 세미나를 진행하는 과정에서 해당 논문에서 각 모듈의 의도와 기대효과 등의 설명이 친절하지 않았다는 점이 다소 아쉬웠지만, 개인적으로 굉장히 어려운 Task 중 하나라고 생각하는 Multi-Class Anomaly Detection을 비교적 간단한 논리의 모듈을 통해 좋은 성능을 보여주었다는 점에서 큰 의의를 가지고 있다고 생각합니다. 좋은 논문 소개와 발표 준비해주셔서 감사합니다.

금일 세미나는 "OmniAL: A unified CNN framework for unsupervised anomaly localization" 논문을 중심으로 진행되었습니다. 여러 class의 이상치를 동시에 학습하여 통합적으로 탐지할 수 있는 이미지 이상치 탐지 통합 프레임워크를 제안합니다. Reconstruction 기반 모델은 이상치 마저 잘 복원하기 때문에 False Alarm의 우려가 많다는 점에서 한계를 가집니다. 이를 개선하기 위해 특정 Panel 영역에서만 Anomaly를 생성하여 복원 기반 이상치 탐지 방법론에 사용될 수 있는 Panel guided Anomaly Synthesis 방법론을 제안합니다. 해당 방법론과 더불어 DCSA와 DIffNeck를 결합하여 궁극적으로 더욱 효과적인 Anomaly Localization과 향상된 탐지 능력을 제시합니다. 분야를 막론하고 Unified 관련 연구가 활발하게 수행되는 트랜드에서 흐름을 정리할 수 있어 좋았습니다. 좋은 발표 감사합니다.

이번 세미나는 OmniAL: A unified CNN framework for unsupervised anomaly localization 논문을 소개해주셨습니다. 발표된 논문은 Multi-Class Anomaly Detection을 목표로 하여, 정상 이미지의 경계를 정의하는 방식으로 진행되었습니다. 전통적인 Reconstruction 기반의 Anomaly Detection 모델들이 겪는 Over-Generalization 문제, 즉 비정상 데이터를 잘 복원하여 이상치로 탐지하지 못하는 문제를 개선하고자 비정상 이미지를 합성하는 새로운 방법을 제안했습니다. 특히, Panel-guided Anomaly Synthesis를 통해 지정된 영역에서만 이상 현상을 생성하는 방식이 눈에 띄었습니다. 또한, 효과적인 Anomaly Localization을 위해, Reconstruction과 Localization Sub-network 사이에 도입된 DiffNeck과 DCSA 기술은 매우 주목할 만한 점이었습니다. 좋은 발표 감사합니다.

오늘 발표자님께서 선정하신 주제는 unsupervised 방식의 Anomaly Detection & Localization에 관한 최신 연구 동향이었습니다. 발표에서 소개된 OmniAL 모델은 이전의 UniAD 모델이 겪었던 Identical shortcut 문제를 해결하기 위해 새로운 접근법을 제안합니다. 특히, Panel-guided anomaly synthesis 방식을 통해 더욱 효과적으로 합성된 이상을 생성하고, 이를 훈련에 활용하여 모델의 강점을 높였습니다. 또한, CBAM에서 영감을 받은 DCSA blocks를 사용하여 복원 및 위치 지정 성능을 개선하였습니다. DiffNeck module을 통한 세 가지 맵(Rec, JND, Inp)의 Reconstruction error 추출은 정밀한 Localization을 가능하게 했습니다. 단순한 방법을 적용한 것에 비해 성능개선이 두드러지는 좋은 논문이었던 것 같습니다. 좋은 발표 감사드립니다.

금일 세미나는 OmniAL: A unified CNN framework for unsupervised anomaly localization 논문을 바탕으로 진행되었습니다. 해당 연구에서는 Image anomaly detection task를 수행하고자 Reconstruction 기반의 방법론을 제안하고 있습니다. 이때, Reconstruction 기반 이상 탐지 방법론의 중요한 점은 기본적으로 비정상 이미지가 들어왔을 때 충분한 Reconstruction error 차이를 유도해야 한다는 것과, Over-generalization을 막기 위해 Synthesized anomaly를 사용할 경우 정교한 설계가 필요하다는 점이라고 볼 수 있겠습니다. 또한, 기본적으로 Image anomaly detection에서는 각 Class마다 서로 다른 모델을 학습하여 사용하는 반면, 제안 모델은 하나의 모델로 모든 Class에서의 이상치 탐지를 가능하게 하는 Multi-class anomaly detection 연구 입니다. 제안 방법론에서는 기존 Reconstruction 기반 이상 탐지 방법론들이 이상 이미지까지 잘 복원해내어 버리는 Identical shortcut 문제를 극복하고자 지정된 Panel에서만 Anomaly를 생성하는 Panel-guided anomaly synthesis 방법을 제안하고 있으며, 기본적인 Reconstruction error 증가를 위하여 Dilated channel and spatial attention을 제안하고 있습니다. 마지막으로, 효과적인 Anomaly localization을 위하여 DiffNeck을 제안해주고 있습니다. 이미지 이상 탐지에서는 Over-generalization을 막기 위하여 일부러 Synthesize한 이상을 만들어주어 학습하는 것이 인상적으로 다가왔습니다. 좋은 발표 정말 감사드립니다.

이번 세미나는 "OmniAL: A Unified CNN Framework for Unsupervised Anomaly Localization"에 대해 소개해주셨습니다. 해당 논문은 다중 클래스 이상 감지에 초점을 맞추고, 과거 모델의 단점을 극복하기 위한 다양한 기술을 적용했습니다. Panel-guided Anomaly Synthesis를 통해 특정 패널 영역에서만 실제적인 이상을 합성하여 모델의 학습에 활용함으로써, 이전의 Over-Generalization 문제를 극복하였습니다. 특히, DiffNeck 및 DCSA와 같은 기술의 도입은 Anomaly Localization을 더욱 효과적으로 만들어내었고, 이는 실제 산업 환경에서의 적용 가능성을 높일 것으로 기대됩니다. 이러한 논문은 다중 클래스 이상 감지에 있어서 중요한 발전을 이뤘으며, 미래의 연구 및 응용 분야에 적극적으로 기여할 것으로 보입니다. 좋은 발표 감사합니다.

이번 세미나에서는 “OmniAL: A Unified CNN Framework for Unsupervised Anomaly Localization”에 대해 소개해주셨습니다. 해당 논문에서는 input과 reconstruction된 이미지의 reconstruction error를 기준으로 abnormal을 탐지하는 reconstruction-based image anomaly detection에서 흔히 발생하는 over generalization 문제점에 집중합니다. 이에 대해 anomaly synthesis 즉, overgeneralization을 해결하고자 정상 이미지를 비정상으로 합성하여 효과적인 학습을 유도하는 방법을 적용합니다. OmniAL은 크게 3가지 포인트로 구성되어 있습니다. 기존 문제점인 Identical Shortcut을 극복하고자 지정된 panel 내에서만 anomaly는 synthesize하도록 제한하는 Panel-guided Anomaly Synthesis와 보다 효과적인 abnormal 탐지를 위해 reconstruction error를 증가시키는 Dilated Channel and Spatial Attention, 그리고 더 효과적인 anomaly localization을 위한 DiffNeck입니다. 장표 구성과 설명을 꼼꼼히 진행해주셔서 이해에 도움이 되었던 것 같습니다. 좋은 발표 감사드립니다.

이번 세미나는 “OmniAL: A unified CNN framework for unsupervised anomaly localization” 주제로 진행되었습니다. 해당 연구는 이미지 이상 탐지(task)에서 Reconstruction 기반 방법론을 제안합니다. 중요한 점은 비정상 이미지가 들어왔을 때 충분한 Reconstruction error 차이를 유도하고 Over-generalization을 막기 위한 정교한 설계입니다. 제안된 모델은 하나의 모델로 모든 클래스에서의 이상치를 탐지할 수 있는 Multi-class anomaly detection을 목표로 합니다. OmniAL은 기존 방법론들이 이상 이미지를 잘 복원해버리는 Identical shortcut 문제를 해결하기 위해 Panel-guided anomaly synthesis를 제안합니다. 또한, Reconstruction error를 증가시키기 위해 Dilated Channel and Spatial Attention(DCSA)을 도입하고, 효과적인 Anomaly localization을 위해 DiffNeck을 제안했습니다. 특히, 일부러 Synthesize한 이상을 만들어 학습하는 방법이 인상적이었습니다. Multi-class anomaly detection에서 좋은 성능을 보여준 점이 돋보였습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 "OmniAL: A Unified CNN Framework for Unsupervised Anomaly Localization"이라는 논문을 다루었습니다. 이 논문은 기존의 Multi-class Anomaly Detection 모델인 UniAD에서 발견된 문제, 즉 불량 이미지마저도 그대로 복원하는 이른바 'Identical Shortcut' 문제를 해결하기 위해 새로운 접근을 제안합니다. 특히, 'Panel-guided Anomaly Synthesis' 방법을 도입하여, 미리 정의된 패널 영역에서만 사실적인 이상을 합성하고, 이를 통해 더욱 정밀한 anomaly detection을 가능하게 합니다. 또한, 이 논문은 Dilated Channel and Spatial Attention (DCSA) 블록을 사용하여 Anomaly Reconstruction Error를 증가시키는 구조를 제시하고 있습니다. 추가로, DiffNeck 모듈을 통해 Reconstruction, Localization Sub-networks 사이의 에러를 추출하며 이상 지역을 효과적으로 파악합니다. 실험 결과는 MVTecAD 데이터셋을 이용하여 UniAD 모델과 비교했을 때 OmniAL이 뛰어난 성능 개선을 보여주었습니다. 발표자분께서 제공한 논문의 세부내용까지 잘 다뤄주신거 같습니다. 좋은 발표에 감사드립니다.

이번 세미나는 OmniAL: A unified CNN framework for unsupervised anomaly localization 논문에 대해 소개해주셨습니다. 해당 방법론은 Multi-class Anomaly Detection을 위해 제안된 방법으로 제안되었으며 흔히 이상치 탐지 모델 중 reconstruction 기반의 방법에서 일어나는 Identical shortcut 문제를 다루기위해 제안된 방법입니다. OmniAL에서 제안된 내용 중 인상깊었던 내용은 Panel-guided Anomaly Synthesis 였습니다. 지금까지 다양한 anomaly synthesis 방법이 제안되어 왔는데 이와 다른 새로운 관점의 방법을 제안하였습니다. Panel을 사용하여 이상치를 합성한 부분을 제한하는 방법입니다. 그동안 제안된 DRAEM 이나 MemSeg에서 사용하는 방법과 달리 위치 자체를 Panel로 제안하여 조금 더 다양한 이상치 데이터를 생성할 수 있다는 점에서 인상깊었습니다. 좋은 발표 감사합니다.