DRAEM 논문 주요 용어 및 개념 정리

date

Oct 15, 2023

slug

dream-paper

author

status

Public

tags

paper

summary

type

Post

thumbnail

category

🤖 Computer Science

updatedAt

Sep 7, 2024 03:07 AM

DRAEM 논문 주요 용어 및 개념 정리

1. Anomaly-free Images (이상이 없는 이미지)
• 이상이 없는 이미지는 표면 이상을 탐지하기 위해 사용되는 학습 데이터로, 이러한 이미지에는 이상이 없습니다.

2. Anomaly-free Reconstruction (이상이 없는 재구성)
• 이상이 없는 재구성은 이상 이미지와 그에 대한 재구성 사이의 공동 표현을 학습하는 것을 의미하며, 동시에 정상과 이상 예제 사이의 결정 경계를 학습합니다.

3. Synthetic Anomalies (합성 이상)
• 합성 이상은 이상이 없는 이미지에 자동으로 생성되며, 모델이 실제 세계의 다양한 이상에 일반화할 수 있도록 합니다.

4. Reconstructive Sub-network (재구성 서브네트워크)
• 재구성 서브네트워크는 이상이 없는 재구성을 학습하는 데 사용되며, 이는 이상을 탐지하기 위한 기본적인 단계입니다.

5. Discriminative Sub-network (디스크리미너티브 서브네트워크)
• 디스크리미너티브 서브네트워크는 원본 이미지와 재구성된 이미지의 공동 표현에 대한 디스크리미너티브 모델을 학습하며, 높은 정밀도의 픽셀 당 이상 탐지 맵을 생성합니다.

6. Decision Boundary (결정 경계)
• 결정 경계는 정상 픽셀과 이상 픽셀 사이를 구별하는 경계를 나타내며, 모델은 이 결정 경계를 추정하여 이상을 탐지하고 지역화합니다.

7. Reconstructive Methods (재구성 방법)
• 재구성 방법은 Autoencoders와 GANs와 같은 방법을 포함하며, 이들은 이상이 없는 이미지만을 사용하여 강력한 재구성 공간을 학습하는 데 사용됩니다.

1. Auto-encoder: Auto-encoder는 입력 데이터를 압축하고 복원하는 데 사용되는 신경망입니다. 그림에서는 원과 사각형이 있는 2D 공간에서 입력 샘플을 나타내고 있습니다.

2. Reconstructive Network: 복원 네트워크는 auto-encoder의 일부로, 입력 데이터를 압축한 후 다시 복원하는 역할을 합니다. 그림에서는 복원된 샘플을 보여주고 있습니다.

3. Discriminative Network: 이 네트워크는 입력 데이터와 복원된 데이터 사이의 차이점을 구별하는 역할을 합니다. 그림에서는 이 네트워크가 정상 샘플과 이상 샘플을 구별하는 방법을 시각화하고 있습니다.

4. Discriminative Segmentation: 이 부분은 원래 데이터와 복원된 데이터 사이의 차이점을 통해 이상 샘플을 구별하는 과정을 나타냅니다.

• 색상 키:
• Anomalous sample: 이상한 샘플 (사각형으로 표시)
• Anomaly-free sample: 이상이 없는 샘플 (원으로 표시)
• Training time, input sample: 학습 시간 동안의 입력 샘플
• Test time sample: 테스트 시간의 샘플
• Reconstructed sample: 복원된 샘플