PatchCore: 解説記事及び日本語翻訳PDF配布中

こんにちは、TOMOMI RESEARCHの崔です。
今回は、2022年に発表された注目の研究論文「Towards Total Recall in Industrial Anomaly Detection」をご紹介します。この研究では、産業用画像データにおける異常検知を大きく前進させる「PatchCore」という新しい手法が提案されています。

論文の出展
https://arxiv.org/abs/2106.08265

PatchCoreとは？

PatchCoreは、主に「正常画像のみ」を用いることで異常を検出する「コールドスタート」問題に対応した異常検知手法です。この手法は、以下の特徴を持ちます：

高精度: 広く使用されるMVTec ADベンチマークで最大99.6%という驚異的なAUROCスコアを記録。
効率性: 推論速度が高速で、メモリ使用量も従来手法より削減。
柔軟性: 小さな傷から大きな構造変化まで、幅広い異常を検出可能。

従来手法との違い

従来の異常検知手法は、ImageNetで事前学習された特徴量を用いていましたが、その多くは産業用データに最適化されておらず、精度や効率に課題がありました。PatchCoreは、以下のポイントでこれを改善しています：

ローカルパッチ特徴量: 画像の中間層の特徴を活用し、空間的な文脈を保持。
コアセットサブサンプリング: 冗長なデータを削減し、メモリと計算コストを大幅に節約。
異常スコアリング: パッチ単位で異常を検出し、きめ細かな異常局所化が可能。

実用性と今後の展望

PatchCoreの性能はMVTec ADベンチマークや他のデータセット（例: MTDやmSTC）でも検証され、実用的な推論速度と少量データでも高精度を発揮しています。一方で、ImageNetの事前学習特徴に依存しているため、特定の産業環境ではさらなる適応が求められる可能性があります。今後は、産業環境に特化した事前学習を組み合わせることで、さらに性能が向上することが期待されます。