guojiajeremy/Dinomaly

해결하는 문제

Dinomaly는 다중 클래스 비지도 이상 탐지(UAD)에서의 성능 격차를 해결합니다. 기존에는 여러 다른 클래스의 객체를 동시에 이상 탐지하도록 훈련된 모델이 특정 클래스에 특화된 모델보다 훨씬 낮은 성능을 보였습니다. Dinomaly는 단일 클래스 최첨단 모델과 경쟁하거나 때로는 이를 초월할 수 있는 통합 프레임워크를 제공합니다.

작동 방식

Dinomaly는 복잡한 추가 모듈 없이 순수한 Transformer 아키텍처(어텐션과 MLP)에 기반한 최소한의 재구성 기반 접근 방식을 사용합니다. 네 가지 핵심 구성 요소에 의존합니다:

1. 기초 Transformer: 보편적이고 구분 가능한 특징을 추출하는 데 사용.
2. 노이즈 있는 브로틀넥: 기존 Dropout을 활용해 프로세스에 노이즈를 주입.
3. 선형 어텐션: 모델이 지나치게 좁은 범위에 집중하는 것을 방지하는 메커니즘.
4. 유연한 재구성: 엄격한 포인트 대 포인트 또는 레이어 대 레이어 재구성을 강제하지 않아 더 유연한 이상 탐지 가능.

대상 사용자

이 프로젝트는 컴퓨터 비전 분야에서 일하는 연구자 및 엔지니어를 대상으로 하며, 여러 다른 제품 카테고리를 하나의 모델로 처리해야 하는 산업용 품질 관리 또는 이상 탐지 시스템을 구현하는 분들에게 적합합니다.

주요 특징

• 고성능: MVTec-AD에서 이미지 수준 AUROC 최대 99.8%, VisA에서 98.9%, Real-IAD에서 90.1% 달성.
• 확장성: 모델 크기, 입력 이미지 해상도, 기초 모델 선택에 따라 성능이 효과적으로 확장됨.
• 최소한의 설계: 전용 기술이나 복잡한 모듈을 피하고 깔끔한 Transformer 기반 아키텍처를 채택.
• 통합됨: 이제 Intel의 오픈엣지 Anomalib 라이브러리(v2.1.0)에 통합됨.