표제지
목차
요약 9
Abstract 10
1. 서론 11
2. 종래기술 15
2.1. 단일 범주 분류 15
2.2. 이상치 검출 17
2.3. 이상치 위치 식별 20
3. 제안 기법 23
3.1. 딥러닝 기반의 서포트 벡터를 사용한 패치 설명자 28
3.2. 결합된 초구를 갖는 서포트 벡터를 사용한 패치 설명자 30
3.3. 프로토타입 학습을 위한 정규화 32
3.4. 프로토타입의 초기화 34
3.5. 전역관계의 문맥을 고려한 주목도 36
3.6. 이상치 점수 산출 방법 38
4. 실험 결과 40
4.1. 구현 세부사항 40
4.2. 데이터세트 43
4.3. 정량적 결과 45
4.4. 정성적 결과 53
5. 결론 56
참고문헌 58
표 1. ResNet-18을 사용한 정량적 실험 결과 46
표 2. EfficientNet-B5 사용한 정량적 실험 결과 47
표 3. WideResNet-50-2 사용한 정량적 실험 결과 48
표 4. 종래 기법과 제안 기법의 복잡도 비교 49
표 5. 제안 기법 구성 요소의 애블레이션 연구 결과 50
표 6. 제안 기법의 압축률에 따른 I-AUROC 결과 51
그림 1. 딥러닝 기반의 서포트 벡터를 사용한 데이터 설명자의 동작 17
그림 2. 제안 기법의 전체적인 구조 25
그림 3. 종래 기법과 제안 기법의 구조적 차이 25
그림 4. 딥러닝 기반의 서포트 벡터를 사용한 패치 설명자의 동작 29
그림 5. LC-SVPD가 적용되었을 때의 효과 개념도[이미지참조] 31
그림 6. 특징 학습 중 발생하는 불균형 현상 개념도 32
그림 7. LC-Reg가 적용되었을 때의 효과 개념도[이미지참조] 34
그림 8. 제안된 초기화 기법과 종래 기법 비교 34
그림 9. 전역관계를 고려하기 위한 네트워크 구조 36
그림 10. 백본 네트워크 별 특징 지도가 추출되는 중간 레이어 위치 42
그림 11. 특징 추출기의 세부 구현 사항 43
그림 12. MVTec AD 데이터세트의 사물 범주 예시 44
그림 13. MVTec AD 데이터세트의 질감 범주 예시 45
그림 14. 사물 샘플에 대한 정성적 실험 결과 52
그림 15. 질감 샘플에 대한 정성적 실험 결과 52
그림 16. 사물 샘플에 대한 프로토타입 군집화 결과 54
그림 17. 질감 샘플에 대한 프로토타입 군집화 결과 54