条件付きCutPasteを用いた異常検知の高精度化，電子情報通信学会 東海支部 卒業研究発表会，2025

題目：条件付きCutPasteを用いた異常検知の高精度化
学会名：電子情報通信学会 東海支部 卒業研究発表会
学会の開催期間：2025年 2月28日
著者：本田晴己，山内悠嗣

1. 条件付き CutPasteを用いた異常検知の高精度化
本田晴己，山内 悠嗣(中部大学 )
研究背景・目的
⚫AIを用いた異常検知における異常データの不足
⚫擬似的な異常画像を生成する CutPaste [1]
⚫CutPasteによる不自然な異常画像の発生
⚫モデルの性能向上が阻害される
提案手法
⚫MvtecADデータセット [3]
⚫学習データ：正常画像 +生成した異常画像
⚫評価データ：正常画像 +実際の異常画像
⚫比較手法
⚫提案手法を用いて学習したモデル
⚫通常のCutPasteを用いて学習したモデル
⚫評価指標
⚫ROC Area Under the Curve(ROCAUC)
⚫オブジェクトごとの精度比較
⚫半数のオブジェクトにおいて精度向上を確認
⚫平均精度が 4.7％向上
⚫精度が向上したオブジェクト
⚫通常のCutPasteで不自然さが顕著
⚫精度が低下したオブジェクト
⚫データセット内のオブジェクトが同一の姿勢
⚫CutPasteに2つの条件を付与
⚫姿勢が類似した 2枚の正常画像を使用
⚫同じ位置の領域を切り貼り
⚫提案手法による擬似的な異常画像の生成の流れ
1.正常画像データからランダムに 2枚を選択
2.SSIMにより画像間の類似度を計算
3.類似度が閾値を下回る場合には 1.に戻る
4.片方から領域を切り取り，もう一方に貼り付け
5.切り貼りした画像と元画像の類似度を計算
6.閾値を下回る場合には学習データに追加
7.1~6を繰り返す
⚫異常画像が生成されなかった場合
⚫背景領域のみの切り貼りが原因
⚫背景へ貼り付けた画像を閾値処理により破棄
⚫2クラスの分類問題として解く
⚫事前学習済みの ResNet18[2]に2層のMLPを追加
⚫正常画像と提案手法で擬似的に生成した異常画像
を用いてファインチューニング
⚫擬似的に生成した異常画像を 3000枚使用
評価実験
今後の展望・参考文献
⚫自己教師あり学習を導入し，汎化性能を向上
[1] C.-L. Li et al．: ”CutPaste: Self-Supervised Learning for Anomaly Detection
and Localization”, CVPR, 2021．
[2] K. He et al．: “Deep Residual Learning for Image Recognition”, CVPR, 2016．
[3] P. Bergmann et al．: “The MVTec Anomaly Detection Dataset: A
Comprehensive Real-World Dataset for Unsupervised Anomaly Detection”,
CVPR, 2019．
現実で発生し得る異常を再現する画像生成手法を提案
実験結果
不自然な異常画像
提案手法を用いて分類精度の向上を目指す