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