Anomaly Detection 이상 탐지

Figure 1: Flow (220121 Ver.)

I took a look at Anomaly Detection (AD) algorithms, especially focusing on those that can visualize the anomalus parts. FCDD, CFLOW-AD, and PatchCore on the rightest are those. I was acquainted with FCDD, which was the explainable version of SVDD variations by Lukas Ruff and others. But in the cases of CFLOW-AD and PatchCore, I got to know them through the paperswithcode.com, where those were introduced as the best performing algorithms on the MVTec-AD dataset.

 

I wanted to prepare for those articles before the 220121 meeting, but I couldn't because CFLOW-AD and PatchCore utilized many concepts I wasn't familiar with. I'll study and introduce the PatchCore and one of my teammates will introduce the other at the next meeting.

 

I tried to summarize the relational information under each model, but I'm not 100% sure whether they are the biggest attribute of each model, even they are right. (Guess it needs much more progresses.)

 

Anomaly Detection 그 중에서도 어노멀리인 부분을 시각화 해줄 수 있는 알고리즘을 위주로 살펴봤다. 오른쪽에 있는 FCDD, CFLOW-AD, PatchCore가 그에 해당한다. FCDD의 경우 Deep SVDD부터 이어진 Lukas Ruff 갱 분들의 SVDD Variation 시리즈의 Explainable 버전에 해당하는 것으로 연구과정에서 알고 있었지만, CFLOW-AD와 PatchCore의 경우 paperswithcode.com에서 MVTec-AD 데이터셋에 대해 SOTA 성능을 내는 것으로 알게되어 살펴보게 되었다.

 

사실 220121의 미팅 때에 준비를 좀 해서 가고 싶었지만 생각보다 이전 연구들이 많고 통계나 기타 ML 개념들이 활용되는 것이 많아 한 주만에 익히기에는 어려움이 있었다. 다음번에는 내가 PatchCore를 모델을, 함께하고 있는 다른 친구가 CFLOW-AD를 관련 개념과 함께 학습해, 미팅 때 소개하기로 했다.

 

모델 밑에 한 두줄로 관계를 요약하려고 해보긴 했는데 사실 맞는지, 저 한 줄이 가장 큰 특징인지는 확실하지 않다..