FocusPatch AD: Detección de Anomalías Multiclase con Pocos Ejemplos Mediante Parches de Palabras Clave Unificados

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La detección de anomalías con pocos ejemplos (FSAD) en entornos industriales enfrenta desafíos con muestras normales limitadas y la necesidad de modelos separados por categoría.
• Los métodos existentes incurren en altos costos computacionales y de almacenamiento debido al entrenamiento de modelos de una sola categoría.

Objetivo del estudio:

• Desarrollar un marco unificado de detección de anomalías para entornos multiclase y con pocos ejemplos.
• Abordar las limitaciones de los métodos actuales de FSAD reduciendo la sobrecarga computacional y mejorando la generalización.

Principales métodos:

• Se introdujo FocusPatch AD, un marco novedoso que aprovecha los modelos de visión y lenguaje para FSAD unificada.
• Se desarrolló un método para vincular palabras clave de anomalías con regiones de imagen específicas, mejorando el enfoque en las anomalías y reduciendo la interferencia del fondo.
• Se mitigaron los problemas de detección falsa comunes en los enfoques de alineación semántica global.

Principales resultados:

• Se lograron mejoras significativas tanto en la detección de anomalías a nivel de imagen como a nivel de píxel en los conjuntos de datos MVTec, VisA y Real-IAD.
• Se demostró un rendimiento superior en clasificación y localización en comparación con los métodos predominantes de detección de anomalías.
• Se validó la excelente generalización y adaptabilidad del marco en diversas categorías y dominios.

Conclusiones:

• FocusPatch AD ofrece una solución eficaz para la detección de anomalías multiclase unificada con pocos ejemplos.
• El enfoque propuesto centrado en la región mejora la precisión y la eficiencia en la detección de anomalías industriales.
• El marco muestra un gran potencial para aplicaciones del mundo real que requieren una identificación de anomalías adaptable y robusta.