[Detection] Anomaly Detection

Anomaly Detection?

 Anomaly Detection(이상 탐지)란 normal, abnormal(정상, 비정상)을 구별하는 Detection을 의미한다.

 

 

Supervised Anomaly Detection

 Supervised Anomaly Detection, 정상 데이터셋과 비정상 데이터셋 모두를 학습시키는 것을 의미한다.

 

• 정상, 비정상을 모두 학습시키기 때문에 다른 Anomaly Detection에 비해 정확도가 높다.
• 하지만 실제 산업현장에서는 적정량의 비정상 제품의 데이터를 취득하기가 매우 어렵다는 문제가 있다.
• 10,000개의 제품을 생산할 때 비정상 제품이 1개 나온다면(실제론 더 안 나오지만...), 100개의 비정상 샘플을 취득하기 위해선 대략 10,000,00개의 제품을 생산해야 한다.

 

 

Semi-Supervised Anomaly Dection

One-class SVM, normal data만 둘러싸도록 boundary를 학습

 Semi-Supervised Anomaly Detection은 정상 데이터셋을 둘러싸는 boundary를 학습하는 방식이다. 이를 대표하는 것이 One-Class SVM이다. 

 

 정상 데이터만 학습하면 된다는 장점이 있지만, Supervised Anomaly Detection에 비해 정확성이 떨어진다.

 

 

Unsupervised Anomaly Detection

 Unsupervised는 Semi와 달리 data의 label이 필요 없다. Semi는 데이터가 정상이라는 Label을 확보해야 하지만 Unsupervised는 Label 없이 학습시키는 방법이다.

 

AutoEncoder

Autoencoder

 

 AutoEncoder는...

• 입, 출력이 같은 구조.
• 입력 구조인 Encoder를 통해 차원을 감소시켜 특징을 추출, Decoder를 통해 입력과 같은 크기로 복원.
• Latent space은 Encoder를 통해 input image의 핵심 특징을 뽑아낸 공간.

 

 

Unsupervised Anomaly Detection

 Unsupervised Anomaly Detection에서는 Autoencoder로 정상 데이터만 학습하여 정상 데이터의 특징을 뽑아 원본 이미지 크기로 복원하게 된다.

 

 이후 학습된 Autoencoder에 정상 이미지를 입력하면 학습한 정상 데이터와 유사하게 복원되어 복원된 이미지와 입력 이미지의 차이가 거의 없게 된다.

 비정상 이미지를 입력했을 때 정상 데이터와 유사하게 복원, 이때 출력 이미지와의 차이가 발생하게 되는데, 이를 통해 비정상을 검출할 수 있게 된다.

 

 별도의 Label 없이 학습시킬 수 있다는 장점이 있지만, 판정 정확도가 높지 않고 hyper parameter에 민감하다는 단점이 있다.