금일 세미나는 Image Anomaly Detection 분야에서 Continual Learning 시 새로운 task에 대해 학습 효과를 높이는 "Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt"를 중심으로 진행되었습니다. Continual Learning을 고려한 AD 시에 중요한 점은 정상/비정상을 구분한다는 점은 동일하나 도메인이 지속적으로 변화한다는 점입니다. 이로 인하여 모델은 입력 이미지의 도메인을 스스로 판단하고, 이에 대한 정상/비정상 여부를 판단해야 합니다. 이에 대해 본 연구는 학습 시 각 도메인에 대한 정보를 이용하여 도메인 별 representation을 구축하고, 이를 통해 해당 도메인의 정보를 저장 및 추론 시 이용하는 구조를 제안하고 있습니다. 특히, 도메인 별로 유의미한 정보를 추출하기 위해 ViT의 각 레이어에 도메인 정보를 주입하는 방식을 취합니다. 더불어, segment 별 contrastive learning을 통하여 feature extraction의 성능을 높이는 구조를 가지고 있습니다. 해당 연구에서 제안하는 구조가 continual learning의 여러가지 사항들을 함께 고려하는 영리한 구조라는 생각을 할 수 있었습니다. 특히나, 도메인을 분류하고, 도메인에 대한 정보를 이용하도록 prompt와 각 prompt 별 representation을 저장하고, sparse coding 구조를 가진 점이 인상적이었습니다. 좋은 발표 감사드립니다.

이번 세미나에서는 "Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt"라는 논문에 대한 소개를 중심으로 진행되었습니다. 본 연구는 데이터가 지속적으로 추가되는 상황에서 기존의 Unsupervised Anomaly Detection 방법이 이를 대응하지 못하는 문제를 해결하고자, Unsupervised Anomaly Detection에 Continual Learning을 접목한 새로운 프레임워크인 UCAD를 제안하였습니다. UCAD는 Continual Prompting Module(CPM)과 Structure-based Contrastive Learning(SCL)을 도입하여 다양한 태스크에서 보다 일관된 특성을 추출하고, 이를 통해 이상 탐지를 수행하였습니다​. CPM은 key-prompt-knowledge 메모리 뱅크를 활용하여 태스크 별 ‘정상’에 대한 knowledge를 바탕으로 Anomaly를 예측하는 Guide 역할을 하였습니다. SCL은 SAM의 마스크를 구조로 취급하고, 동일 마스크 내의 특성을 가깝게 하고 다른 마스크의 특성과는 멀어지게 함으로써 일반적인 특성 표현을 개선하였습니다. 해당 연구는 실제 현장 상황을 고려하여 Anomaly Detection 연구를 수행하였고, 현실 적용에 있어 문제가 되었던 부분을 해결하고자 Continual Learning을 활용한 점이 인상깊었습니다. 좋은 발표 준비해주셔서 감사합니다.

이번 세미나는 Anomaly Detection 내에 Continual Learning을 해야 할 필요성이 있는 시나리오에서 사용하기 위한 모델을 학습시키기 위한 방법론을 제시한 논문 "Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt"을 중심으로 진행되었습니다. Anomaly Detection 과정에서 Continual Learning을 한다는 것은 Abnormal sample을 구분해내야 하는 도메인이 Incremental하게 늘어나는 시나리오입니다. 인공지능 모델의 내재적인 Uncertainty를 사용하는 것이 관례인 Anomaly Detection Task인만큼, 불확실하지만 정상인 샘플(도메인)이 지속적으로 추가된다는 점에서 기존보다 더 어려운 설정으로 이해하였습니다. 이를 위해, Prompt-Tuning과 비슷하게, 도메인에 무관하게 비정상을 색출할 수 있는 모델을 학습시키는 방법론인 UCAD를 제안하였습니다. 자세하게는, 도메인 자체를 구분하는 것이 큰 숙제가 되는만큼 이를 위한 모듈인 CPM를 따로 구축하고, CPM를 통해 현재 도메인에 대한 정보를 받아, 해당 도메인에 특화된 Feature를 잘 추출할 수 있도록 SCL을 사용하여 최종적인 Anomaly Detection을 하는 것으로 정리할 수 있습니다. 흥미로운 세팅에 대한 자세한 설명이 좋았던 논문이었습니다. 좋은 논문 소개해주셔서 감사합니다.

이번 세미나는 "Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt" 논문을 중심으로 진행되었습니다. 이 논문은 Continual Learning을 통해 변화하는 도메인에서 비정상 샘플을 효과적으로 탐지하는 방법을 제안합니다. 연구에서 제안된 UCAD 프레임워크는 Continual Prompting Module(CPM)과 Structure-based Contrastive Learning(SCL)을 활용해 도메인 특화된 특성 표현을 학습하며, 비정상 샘플을 탐지합니다. CPM은 메모리 뱅크를 활용해 도메인별 정상 상태에 대한 지식을 축적하고, 이를 바탕으로 Anomaly Detection을 수행합니다. SCL은 마스크 내의 특성을 강화하여 일반화된 표현을 제공하며, 모델 성능을 향상시킵니다. 이러한 접근 방식은 기존의 Continual Learning의 어려움을 해결하는데 활용될 수 있기 때문에 현실적 응용 가능성이 높은 연구라고 생각됩니다. 좋은 발표 감사드립니다!

금일 세미나에서는 'Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt'라는 논문을 소개해 주셨습니다. 해당 논문에서는 Continual Learning을 AD에 적용한 UCAD라는 방법론을 제시하고 있으며 크게 Continual Prompting Module (CPM)과 Structure-based Contrastive Learning (SCL) 두 가지로 구성되어 있습니다. CPM은 Key-Prompt-Knowledge Memory Bank를 활용하여 Normal 데이터의 특징 정보들을 저장하고 있으며, SCL은 SAM의 Anomaly Mask에 Contrastive Learning을 적용하여 Feature Extraction의 성능을 높이고자 설계하였습니다. 해당 논문을 보며, VLM을 AD에 활용한 연구들도 SAM을 활용한 연구들이 종종 있었는데, UCAD에서 제안하는 도메인을 고려함과 동시에 SAM을 활용한 방법이 효과적인 것 같아 인상적이었습니다. 좋은 발표 감사드립니다!

이번 세미나에서는 “Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt” 논문이 소개되었습니다. 이 연구는 Continual Learning 환경에서 도메인 변화에 적응하며 이상 탐지를 수행하는 UCAD 방법론을 제안합니다. UCAD는 Continual Prompting Module(CPM)을 활용해 도메인별 Normal 데이터를 저장하고 프롬프트를 생성하여 도메인 특화 표현을 제공하며, Structure-based Contrastive Learning(SCL)을 통해 SAM 기반 Anomaly Mask를 활용해 Contrastive Learning을 적용함으로써 특징 추출 성능을 강화합니다. 이 방법론은 도메인 변화에 유연하게 적응하면서 Catastrophic Forgetting 문제를 효과적으로 해결한 점이 돋보였으며, 발표를 통해 Continual Learning과 이상 탐지의 융합 가능성을 잘 이해할 수 있었습니다. 감사합니다!

이번 세미나에서는 "Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt" 논문을 중심으로 진행되었습니다. 이 연구는 지속적으로 변화하는 도메인에서 이미지 이상 탐지를 수행하는 문제를 다루며, Continual Learning과 Unsupervised Anomaly Detection을 결합한 새로운 프레임워크인 UCAD를 제안했습니다. UCAD는 Continual Prompting Module(CPM)과 Structure-based Contrastive Learning(SCL)을 도입하여, 각 도메인의 정보를 효율적으로 저장하고 추론에 활용하는 방식으로 이상 탐지 성능을 개선했습니다. 특히, 도메인별 representation을 구축하고, contrastive learning을 통해 특성 표현을 향상시키는 점이 인상 깊었으며, 현실적인 문제 해결을 위한 영리한 접근이 돋보였습니다. 좋은 발표 감사합니다.