Reference: Bergmann, Paul, et al. "MVTec AD--A comprehensive real-world dataset for unsupervised anomaly detection." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019.
01 멘토 소개
Ph.D. Course
정성훈
CVSP(Computer Vision&Signal Processing Lab.)
•
관심분야 |
◦
Generative AI
◦
Video Editing
◦
Watermarking
◦
Gaussian Splatting
tlqwkrk915@naver.com
MS Course
우민수
CVSP(Computer Vision&Signal Processing Lab.)
•
관심분야
◦
Generative AI
◦
multi-modality
◦
3D/4D reconstrucion
wminsoo123@naver.com
02 프로젝트 소개
2.1. Introduction
Reference: He, Haoyang, et al. "Mambaad: Exploring state space models for multi-class unsupervised anomaly detection." Conference on Neural Information Processing Systems (2024).
- Anomaly Detection이란?
Normal(정상) 샘플과 Abnormal(비정상, 이상치) 샘플을 구별하는 Anomaly Detection은 제조업뿐만 아니라 현대 산업 전반에서 중요한 역할을 하고 있습니다. 이 기술은 제조업에서의 제품 품질 관리, CCTV를 통한 보안 강화, 의료 영상에서의 질병 조기 진단 등 다양한 분야에 응용되어 시스템의 안정성 향상, 효율성 증대, 위험 요소의 사전 제거 등 여러 이점을 제공합니다.
입력 데이터를 Normal 또는 Anomaly로 구분해야 하기에 One-Class Classification이라고도 불립니다. 그러나 일반적인 분류(Classification)와는 다음과 같은 차이점이 있습니다.
분류(Classification)는 다양한 클래스의 데이터를 학습 단계에서 사용하며, test instance에 대해 학습 단계의 각 클래스별 분포 중 어디에 가장 가까운지를 찾는 문제입니다. 반면에 Anomaly Detection은 입력 데이터가 정상 데이터의 분포 내에 존재하는지를 고려한다는 점에서 기존의 분류 작업과 차이를 보입니다.
또한, Anomaly Detection는 일반적으로 이상치 데이터의 수가 매우 적기 때문에 학습 단계에서 정상 데이터만을 사용하여 정상 데이터의 분포를 학습하고, 학습 이후 입력 데이터가 정상 데이터 분포와 얼마나 멀리 떨어져 있는지를 계산합니다.
2.2. Trends
Reference: Nguyen, Huy Hoang, et al. "Variational Autoencoder for Anomaly Detection: A Comparative Study." arXiv preprint arXiv:2408.13561 (2024).
최근 이상치 탐지 연구에서는 주로 Reconstruction-based anomaly detection에 초점을 맞추고 있습니다. 이 방법은 입력 이미지를 네트워크에 통과시켜 정상 데이터의 분포를 학습합니다. 이렇게 학습된 모델은 정상 데이터 분포에서 멀리 떨어진 데이터는 재구성 능력이 낮을 것이라는 가정하에, 재구성 오류가 큰 샘플을 이상치로 판별합니다.
그러나 Reconstruction-based anomaly detection는 정상 샘플과 비정상 샘플 모두를 잘 복원하는 'Identical Shortcut' 문제를 겪습니다. 이를 해결하기 위해 다양한 복원 네트워크를 활용하여 이 문제를 극복하는 연구가 최근 진행되고 있습니다.
03 일정 소개
3.1. AI 기초
AI, Deep Learning에 대해 잘 알고 있는 사람도 있겠지만, 처음 접하는 사람도 있을 것입니다.
이번 겨울방학에는 AI 기초부터 시작해 모든 학우가 함께 배울 수 있는 시간을 가질 예정입니다.
기초 이론을 탄탄히 다지는 것부터 시작해 MLP, CNN, Transformer 구조와 여러 비전 Task, Multi-modal 관련 내용을 배우며, 이를 코딩 실습과 연계하여 학습합니다. 차근차근 진행하여 실제 프로젝트를 해결할 수 있는 능력을 배양하는 것을 목표로 합니다
3.2. Anomaly Detecetion 기초
AI와 딥러닝의 기초를 학습한 후, 이제 본격적으로 Anomaly Detection에 대해 깊이 있게 공부해보고자 합니다. 이 분야에서 큰 영향을 미친 주요 논문들을 기반으로 Flipped Learning을 진행할 계획입니다. 이를 통해 기존 연구 동향과 핵심 개념을 직접 탐구하고 이해할 수 있을 것입니다.
또한, 해당 논문의 코드를 바탕으로 실험을 수행하여 기초 코딩이 아닌 실제 연구 수준의 코딩을 경험하고자 합니다. 코드를 구현하고 결과를 분석함으로써 알고리즘의 작동 원리를 더 잘 파악할 수 있을 것입니다. 이를 통해 이론과 실습을 병행하여 깊이 있는 이해를 도모하고, 실제 문제 해결 능력을 향상시킬 수 있을 것으로 기대합니다.
3.3. Anomaly Detecetion 심화
기초를 다진 후에는 Anomaly Detection의 최신 연구들을 살펴보고, 연구가 어떤 방향으로 진행되고 있는지 함께 알아보고자 합니다. 동시에 Anomaly Detection이 실제 산업에서 어떻게 활용되고 있는지도 탐색하여 이론과 실무의 연결성을 강화하고자 합니다. 이를 통해 학생들이 이후 진로를 선택할 때 실질적인 도움을 주고, 해당 분야에서의 전문성을 높일 수 있을 것으로 기대합니다.
04 Objective
•
모델 성능 테스트 결과를 정리하여 대한전자공학회 추계학술대회 등 국내학회 논문 제출
05 이런 Fellow를 찾아요!
•
Computer Vision 분야에 관심있는 분
•
1학기, 2학기 모두 참여가 가능하신 분
•
딥러닝에 대해 관심이 있으신 분
•
Pythod 코딩에 거부감이 없으신 분
•
끝까지 끈기 있게 연구하실 분