Download to read offline
Uploaded byDeep Learning Italia
MEETUP APRILE - Ganomaly - Anomaly Detection.pdf
Il documento tratta il riconoscimento di anomalie nelle immagini di lastre di acciaio utilizzando un approccio basato su GAN, specificamente attraverso il metodo patch-wise training. Questo approccio prevede la suddivisione delle immagini in patch per migliorare l'addestramento e l'accuratezza del modello nel riconoscimento delle anomalie. Inoltre, viene illustrato il processo di definizione dell'anomaly score e della soglia decisionale per identificare le aree anomale nelle immagini.
MEETUP APRILE - Ganomaly - Anomaly Detection.pdf
- 1. Anomaly Detection apartire da Ganomaly: patch-wise training e transfer learning &
- 2. Chi è DanieleMoltisanti? • Data Scientist - Sky • 26 Anni • Backgroung Ing. Informatica - Politecnico di Milano • Specializzato in algoritmi di Deep Learning
- 3. Fondatore di stAItuned Open Knowledge Community: Divulgazione di contenuti relativi a AI applicati a settori specifici
- 4. Riconoscimento di Anomalie •Descrizione del problema • Esistenti soluzioni al problema
- 5. Dominio: immagini relativea lastre di acciaio Obiettivo: estrarre la maschera di anomalia Risultato: Riconoscimento delle anomalie Descrizione del problema Riconoscimento di Anomalie
- 6. Riconoscimento di Anomalie Descrizionedel problema Obiettivo Si cerca un modello matematico che misuri il grado di anomalia di ogni pixel > L'anomaly score map associa ad ogni pixel un valore di anomalia (anomaly score) > Pixel con un alto valore di anomalia vengono riconosciuti anomali Regione Anomala Regione Normale Modello Matematico Anomaly Score Map Maschera di Anomalia
- 7. Riconoscimento di Anomalie •Descrizione del problema • Esistenti soluzioni al problema
- 8. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Supervisionato Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly > I modelli supervisionati apprendono i pattern delle immagini normali e di quelle anomale > Si basano su un dataset di immagini etichettate > Poco efficaci nel caso in cui le anomalie mutino le loro caratteristiche Riconoscimento di Anomalie
- 9. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly Riconoscimento di Anomalie > Classifica un'intera immagine nelle due classi possibili: Normale o Anomala > La Rete Neurale Convoluzionale è un noto classificatore Metodi di Apprendimento Supervisionato
- 10. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly Riconoscimento di Anomalie > I modelli semi-supervisionati apprendono il comportamento delle sole immagini normali > Calcolano l'anomaly score di un'immagine > Sfruttano il valore di anomaly score per definire la presenza anomalia Metodi di Apprendimento Supervisionato
- 11. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly Riconoscimento di Anomalie > Rientra tra i modelli di ricostruzione > Riconosce anomala un'intera immagine che presenta un alto anomaly score Encoder Decoder Anomaly Score Metodi di Apprendimento Supervisionato
- 12. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly Riconoscimento di Anomalie Generatore Discriminatore Reale Generata Rappresentazione latente > Fa parte dei modelli GAN-based > Apprende come generare di immagini normali > L'anomaly score viene calcolato attraverso l'errore di apprendimento > Alti valori di anomaly score corrispondono ad alte probabilità di avere un'immagine anomala > Riconosce la regione anomala mediante l'errore tra un'immagine e quella fornita dal generatore Metodi di Apprendimento Supervisionato
- 13. Soluzioni esistenti alproblema Classificatore Metodi di Apprendimento Semi-Supervisionato Autoencoder AnoGAN Ganomaly Riconoscimento di Anomalie Generatore Discriminatore Reale Generata Encoder Decoder Encoder Classficatore > Fa parte dei modelli GAN-based > Apprende come generare immagini normali > L'anomaly score viene calcolato attraverso l'errore degli encoding > Riconosce anomala un'intera immagini che misura un'alta anomaly score > Applicato su immagini di dimensioni ridotte (32 x 32) Metodi di Apprendimento Supervisionato
- 14. Approccio Proposto • Patch-wiseTraining e Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 15.
- 16. Patch-wise Training Approccio Proposto Patch-wiseTraining Da immagini a patch: > Tecnica di apprendimento basata su porzioni di immagini (patch) > Da ogni immagine viene estratto un numero N di patches > Il training set di immagini viene trasformato in un patch set
- 17. Patch-wise Training Approccio Proposto 256x 1600 Patch 32 32 Patch-wise Training Da immagini a patch: > Tecnica di apprendimento basata su porzioni di immagini (patch) > Da ogni immagine viene estratto un numero N di patches > Il training set di immagini viene trasformato in un patch set
- 18. Patch-wise Training Approccio Proposto TrainingSet Patch Set Da immagini a patch: > Tecnica di apprendimento basata su porzioni di immagini (patch) > Da ogni immagine viene estratto un numero N di patches > Il training set di immagini viene trasformato in un patch set Patch-wise Training
- 19. Patch-wise Training Approccio Proposto Addestramento: >Apprendimento basato su un training set di patch > La patch è definita anomala se il suo centro appartiene alla regione anomala > La patch normale presenta il suo centro privo di anomalie Patch Training Modello Patch-wise Patch-wise Training
- 20. Patch-wise Training Approccio Proposto Patch Anomala Mascheradi Anomalia Patch Regione Anomala Addestramento: > Apprendimento basato su un training set di patch > La patch è definita anomala se il suo centro appartiene alla regione anomala > La patch normale presenta il suo centro privo di anomalie Patch-wise Training
- 21. Patch-wise Training Approccio Proposto Mascheradi Anomalia Patch Patch Normale Regione Anomala Addestramento: > Apprendimento basato su un training set di patch > La patch è definita anomala se il suo centro appartiene alla regione anomala > La patch normale presenta il suo centro privo di anomalie Patch-wise Training
- 22.
- 23. Patch-Ganomaly Approccio Proposto > Sibasa sull'architettura di Ganomaly > Caratterizzato da una rete generatrice (Generatore) e una rete antagonista (Discriminatore) > Sfrutta la tecnica del patch-wise training > Analizza patch piuttosto che intere immagini Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D
- 24.
- 25. Approccio Proposto Patch-Ganomaly > Iltraining set è formato da sole patch normali > Il modello apprende come generare patch normali, attreverso il Generatore > L'addestramento di basa sull'ottimizzazione del Generatore e del Discriminatore Addestramento Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D
- 26. Approccio Proposto Patch-Ganomaly > Lafunzione obiettivo (objective function) del Generatore tiene conto di tre funzioni di perdita (loss functions): Errore di Ricostruzione Errore degli Encoding Errore delle Feature Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Addestramento
- 27. Approccio Proposto Patch-Ganomaly Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D ConvTran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D �푐� = � − �' 1 Misura la differenza tra l'immagine in input e quella generata > La funzione obiettivo (objective function) del Generatore tiene conto di tre funzioni di perdita (loss functions): Errore di Ricostruzione Errore degli Encoding Errore delle Feature Addestramento
- 28. Approccio Proposto Patch-Ganomaly Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D ConvTran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D �푒푐 = � − �' 2 Misura la differenza tra gli encoding dell'immagine in input e quella generata > La funzione obiettivo (objective function) del Generatore tiene conto di tre funzioni di perdita (loss functions): Errore di Ricostruzione Errore degli Encoding Errore delle Feature Addestramento
- 29. Approccio Proposto Patch-Ganomaly �푎� =�(�) − �(�') 2 Misura la differenza tra le feature estratte dalle due immagini Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Generatore Discriminatore x z x' z' Reale Generata f(x) f(x') > La funzione obiettivo (objective function) del Generatore tiene conto di tre funzioni di perdita (loss functions): Errore di Ricostruzione Errore degli Encoding Errore delle Feature Addestramento
- 30. Approccio Proposto Patch-Ganomaly �푔푒 =� 푐� �푐� + � 푒푐 �푒푐 + � 푎� �푎� > La funzione obiettivo (objective function) del Generatore è la somma pesata delle tre loss functions: Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Addestramento
- 31. > La funzioneobiettivo (objective function) del Discriminatore tiene conto della seguente funzione di perdita (loss function): Binary Cross Entropy Approccio Proposto Patch-Ganomaly Valuta l'entropia delle distribuzioni relative alle patch del training set x e quelle generate x' Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Generatore Discriminatore x z x' z' out(x) out(x') �퐷� = �퐵� (1, �� (�)) + �퐵� (0, �� (�')) 2 Addestramento
- 32.
- 33. Approccio Proposto Patch-Ganomaly > Ilmodello è addestrato per generare patch normali > Una patch anomala tende ad essere ricostruita come una patch normale > Una patch anomala determina un alto errore degli encoding rispetto al caso di patch normali > L'anomaly score è definito sulla base dell'errore relativo agli encoding Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Fase di Test
- 34. Approccio Proposto Patch-Ganomaly > Ilmodello è addestrato a generare patch normali > Una patch anomala tende ad essere ricostruita come una patch normale > Una patch anomala determina un alto errore degli encoding rispetto al caso di patch normali > L'anomaly score è definito sulla base dell'errore relativo agli encoding Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Fase di Test
- 35. Approccio Proposto Patch-Ganomaly > Ilmodello è addestrato a generare patch normali > Una patch anomala tende ad essere ricostruita come una patch normale > Una patch anomala determina un alto errore degli encoding rispetto al caso di patch normali > L'anomaly score è definito sulla base dell'errore relativo agli encoding Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D Fase di Test
- 36. Approccio Proposto Patch-Ganomaly > Ilmodello è addestrato a generare patch normali > Una patch anomala tende ad essere ricostruita come una patch normale > Una patch anomala determina un alto errore degli encoding rispetto al caso di patch normali > L'anomaly score è definito sulla base dell'errore degli encoding Generatore Discriminatore x z x' z' Reale Generata Kernel Conv 2D Conv Tran. 2D Activation Map Latent Vector Classification Output Batch Norm. 2D �(�) = � − �' 2 Fase di Test
- 37.
- 38. Approccio Proposto Patch-Ganomaly Inferenza Patch Normale Modello Patch-Ganomaly Anomaly Score Apartire da una patch, Patch-Ganomaly calcola l'anomaly score ad esso relativo
- 39. Approccio Proposto Patch-Ganomaly Inferenza Patch Anomala Modello Patch-Ganomaly Anomaly Score Apartire da una patch, Patch-Ganomaly calcola l'anomaly score ad esso relativo
- 40. Approccio Proposto Patch-Ganomaly Inferenza > Estrazionedelle patch che compongono un'immagine > Inferenza del modello Patch-Ganomaly sulle patch estratte > Gli anomaly score delle patch formano l'anomaly score map associata all'immagine 256 x 1600 Patch ... ... ... 32 32
- 41. Approccio Proposto Patch-Ganomaly Inferenza > Estrazionedelle patch che compongono un'immagine > Inferenza del modello Patch-Ganomaly sulle patch estratte > Gli anomaly score delle patch formano l'anomaly score map associata all'immagine 256 x 1600 Patch ... ... ... 32 32 Modello Patch-Ganomaly
- 42. Approccio Proposto Patch-Ganomaly Inferenza > Estrazionedelle patch che compongono un'immagine > Inferenza del modello Patch-Ganomaly sulle patch estratte > Gli anomaly score delle patch formano l'anomaly score map associata all'immagine ... ... 256 x 1600 Patch ... ... ... 32 32 Modello Patch-Ganomaly Anomaly Score Map
- 43. Approccio Proposto Patch-Ganomaly Inferenza 256 x1600 Patch ... ... ... 32 32 Modello Patch-Ganomaly Anomaly Score Map > Estrazione delle patch che compongono un'immagine > Inferenza del modello Patch-Ganomaly sulle patch estratte > Gli anomaly score delle patch formano l'anomaly score map associata all'immagine
- 44. Approccio Proposto Patch-Ganomaly Inferenza Anomaly Score Map >Valori di anomaly score elevati sono associati a pixel anomali > La soglia di decisione definisce il confine tra uno score normale e uno score anomalo > La fase di thresholding permette di ottenere questa soglia > La soglia permette di discriminare i pixel normali da quelli anomali
- 45. Approccio Proposto Patch-Ganomaly Inferenza Anomaly Score Map >Valori di anomaly score elevati sono associati a pixel anomali > La soglia di decisione definisce il confine tra uno score normale e uno score anomalo > La fase di thresholding permette di ottenere questa soglia > La soglia permette di discriminare i pixel normali da quelli anomali Thresholding Normale Anomalia Soglia
- 46. Approccio Proposto Patch-Ganomaly Inferenza Anomaly Score Map >Valori di anomaly score elevati sono associati a pixel anomali > La soglia di decisione definisce il confine tra uno score normale e uno score anomalo > La fase di thresholding permette di ottenere questa soglia > La soglia permette di discriminare i pixel normali da quelli anomali Thresholding Maschera di Anomalia Regione Anomala Regione Normale Normale Anomalia Soglia
- 47.
- 48. Thresholding Approccio Proposto Patch-Ganomaly > Estazionedelle patch normali dal training set di immagini > Si valutano gli anomaly score relativi alle patch normali del traning set > L'istogramma mostra la frequenza degli anomaly score delle patch normali > Il quantile al 95% degli anomaly score rappresenta la soglia di decisione Training Set Patch Normali Normale Anomalia Soglia
- 49. Thresholding Approccio Proposto Patch-Ganomaly > Estazionedelle patch normali dal training set di immagini > Si valutano gli anomaly score relativi alle patch normali del traning set > L'istogramma mostra la frequenza degli anomaly score delle patch normali > Il quantile al 95% degli anomaly score rappresenta la soglia di decisione Training Set Patch Normali Modello Patch-Ganomaly Anomaly Score Normale Anomalia Soglia
- 50. Thresholding Approccio Proposto Patch-Ganomaly Training Set PatchNormali Modello Patch-Ganomaly Anomaly Score Istogramma degli Anomaly Score Normale Anomalia Soglia > Estazione delle patch normali dal training set di immagini > Si valutano gli anomaly score relativi alle patch normali del traning set > L'istogramma mostra la frequenza degli anomaly score relativi alle patch normali > Il quantile al 95% degli anomaly score rappresenta la soglia di decisione
- 51. Thresholding Approccio Proposto Patch-Ganomaly Istogramma degli AnomalyScore Quantile al 95 % Normale Anomalia Soglia Soglia di decisione > Estazione delle patch normali dal training set di immagini > Si valutano gli anomaly score relativi alle patch normali del traning set > L'istogramma mostra la frequenza degli anomaly score relativi alle patch normali > Il quantile al 95% degli anomaly score rappresenta la soglia di decisione
- 52. Esperimenti • Dataset eModelli di riferimento • Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 53. Dataset Esperimenti Si contraddistinguono tretipologie di anomalie nel dataset: > Difetti di tipo 1 > Difetti di tipo 2 > Difetti di tipo 3
- 54. Dataset Esperimenti Si contraddistinguono tretipologie di anomalie nel dataset: > Difetti di tipo 1: sparsi e di piccole dimensioni > Difetti di tipo 2 > Difetti di tipo 3 Pixel Anomali
- 55. Dataset Esperimenti Si contraddistinguono tretipologie di anomalie nel dataset: > Difetti di tipo 1 > Difetti di tipo 2: forme geometriche lineari > Difetti di tipo 3 Pixel Anomali
- 56. Dataset Esperimenti Si contraddistinguono tretipologie di anomalie nel dataset: > Difetti di tipo 1 > Difetti di tipo 2 > Difetti di tipo 3: difetti densi e omogenei Pixel Anomali
- 57. Test Set Esperimenti In fasedi sperimentazione vengono utilizzati due test set: > Test set Strutturato: composto solamente da immagini aventi lo stesso tipo di difetto > Test set Generico: formato da immagini di qualunque difetto Dataset
- 58.
- 59. Esperimenti Modelli di Riferimento Ilmodello proposto, Patch-Ganomaly, viene confrontato con due modelli di riferimento: > Modello Supervionato: Rete Neurale Convoluzionale (CNN) fully-connected > Modello Semi-Supervisionato: Convolutional Autoencoder
- 60. Esperimenti Modelli di Riferimento Ilmodello proposto, Patch-Ganomaly, viene confrontato con due modelli di riferimento: > Modello Supervionato: Rete Neurale Convoluzionale (CNN) fully-connected > Modello Semi-Supervisionato: Convolutional Autoencoder Kernel Conv 2D Max Pooling Activation Function Classification Output Fully connected Layer
- 61. Esperimenti Modelli di Riferimento Ilmodello proposto, Patch-Ganomaly, viene confrontato con due modelli di riferimento: > Modello Supervionato: Rete Neurale Convoluzionale (CNN) fully-connected > Modello Semi-Supervisionato: Convolutional Autoencoder Kernel Conv 2D Conv Transpose 2D Activation Map Latent Vector Batch Normalization 2D
- 62. Esperimenti Modelli di Riferimento >Addestrati sfruttando la tecnica del patch-wise training > Training set di 30.000 patch Anomaly Score: > Autoencoder: errore di ricostruzione > CNN: binary cross entropy Kernel Conv 2D Conv Transpose 2D Activation Map Latent Vector Batch Normalization 2D Kernel Conv 2D Max Pooling Activation Function Classification Output Fully connected Layer
- 63. Esperimenti Modelli di Riferimento >Addestrati sfruttando la tecnica del patch-wise training > Training set di 30.000 patch Anomaly Score: > Autoencoder: errore di ricostruzione > CNN: binary cross entropy Kernel Conv 2D Conv Transpose 2D Activation Map Latent Vector Batch Normalization 2D
- 64. Esperimenti Modelli di Riferimento >Addestrati sfruttando la tecnica del patch-wise training > Training set di 30.000 patch Anomaly Score: > Autoencoder: errore di ricostruzione > CNN: binary cross entropy Kernel Conv 2D Max Pooling Activation Function Classification Output Fully connected Layer
- 65. Esperimenti • Dataset eModelli di riferimento • Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 66.
- 67. Difetti di tipo1 Esperimenti Immagine 1 Immagine 2 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 68. Esperimenti Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Difettidi tipo 1 Immagine 1 Pixel Riconosciuti Anomali Pixel Anomali
- 69. Esperimenti Difetti di tipo1 Immagine 2 Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 70. Difetti di tipo2 Esperimenti Immagine 3 Immagine 4 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 71. Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Esperimenti Difettidi tipo 2 Immagine 3 Pixel Riconosciuti Anomali Pixel Anomali
- 72. Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Esperimenti Difettidi tipo 2 Immagine 4 Pixel Riconosciuti Anomali Pixel Anomali
- 73. Difetti di tipo3 Esperimenti Immagine 5 Immagine 6 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 74. Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Esperimenti Difettidi tipo 3 Immagine 5 Pixel Riconosciuti Anomali Pixel Anomali
- 75. Esperimenti Difetti di tipo3 Immagine 6 Convolutional Autoencoder CNN Fully-connected Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 76.
- 77. > Su untest set di 120 immagini: Test Set Generico Esperimenti
- 78. Approccio Proposto • Patch-wiseTraining e Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 79. > Si basasul modello Patch-Ganomaly > Introduce la tecnica del transfer learning Patch-Ganomaly > Sfrutta la rete pre-addestrata VGG16 Approccio Proposto TL-Ganomaly
- 80. > Si basasul modello Patch-Ganomaly > Introduce la tecnica del transfer learning Patch-Ganomaly > Sfrutta la rete pre-addestrata VGG16 Approccio Proposto TL-Ganomaly Average Pooling Conv 2D Max Pooling ReLU Classification Output Fully connected Layer
- 81. > Rete diclassificazione addestrata su 1000 classi > Gestisce in input immagini aventi dimensione 224 x 224 > Riduce l'input di un fattore 32 Approccio Proposto VGG16 Average Pooling Conv 2D Max Pooling ReLU Classification Output Fully connected Layer TL-Ganomaly
- 82.
- 83. Approccio Proposto Adattamento dellaVGG16 TL-Ganomaly 32 x 32 x 64 16 x 16 x 128 8 x 8 x 256 4 x 4 x 256 2 x 2 x 512 Kernel: 2 x 2 1 x 1 x 100 Patch-Ganomaly Generatore Discriminatore Reale Generata Encoder Decoder Encoder Classficatore VGG16 Adattata > Estrazione della rappresentazione latente > Riduzione dei layer della VGG16 > Adattamento della rappresentazione latente della VGG16 al vettore latente di Patch-Ganomaly > L'encoder del modello TL-Ganomaly diventa la VGG16 adattata
- 84. Approccio Proposto Adattamento dellaVGG16 TL-Ganomaly 32 x 32 x 64 16 x 16 x 128 8 x 8 x 256 4 x 4 x 256 2 x 2 x 512 1 x 1 x 100 Patch-Ganomaly Generatore Discriminatore Reale Generata Encoder Decoder Encoder Classficatore > Estrazione della rappresentazione latente > Riduzione dei layer della VGG16 > Adattamento della rappresentazione latente della VGG16 al vettore latente di Patch- Ganomaly > L'encoder del modello TL-Ganomaly diventa la VGG16 adattata VGG16 Adattata
- 85. Approccio Proposto Adattamento dellaVGG16 TL-Ganomaly 32 x 32 x 64 16 x 16 x 128 8 x 8 x 256 4 x 4 x 256 2 x 2 x 512 1 x 1 x 100 Generatore Discriminatore Reale Generata Decoder Classficatore VGG 16 Adattata VGG 16 Adattata TL-Ganomaly VGG16 Adattata > Estrazione della rappresentazione latente > Riduzione dei layer della VGG16 > Adattamento della rappresentazione latente della VGG16 al vettore latente di Patch-Ganomaly > L'encoder del modello TL-Ganomaly diventa la VGG16 adattata
- 86. Approccio Proposto TL-Ganomaly Generatore Discriminatore VGG 16Adattata VGG 16 Adattata Kernel Conv 2D Conv Transpose 2D Activation Map Latent Vector Classification Output Batch Norm. 2D
- 87. Esperimenti • Dataset eModelli di riferimento • Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 88.
- 89. Difetti di tipo1 Esperimenti Immagine 1 Immagine 2 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 90. Esperimenti Patch-Ganomaly TL-Ganomaly Difetti di tipo1 Immagine 1 Pixel Riconosciuti Anomali Pixel Anomali
- 91. Esperimenti Difetti di tipo1 Immagine 2 TL-Ganomaly Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 92. Difetti di tipo2 Esperimenti Immagine 3 Immagine 4 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 93. Esperimenti Difetti di tipo2 Immagine 3 TL-Ganomaly Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 94. Esperimenti Difetti di tipo2 Immagine 4 TL-Ganomaly Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 95. Difetti di tipo3 Esperimenti Immagine 5 Immagine 6 Immagine Originale Maschera di Anomalia Immagine Originale Maschera di Anomalia Pixel Anomali Pixel Anomali
- 96. Esperimenti Difetti di tipo3 Immagine 5 TL-Ganomaly Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 97. Esperimenti Difetti di tipo3 Immagine 6 TL-Ganomaly Patch-Ganomaly Pixel Riconosciuti Anomali Pixel Anomali
- 98.
- 99. Test Set Generico Esperimenti >Su un test set di 120 immagini: > Segmentazione migliore: Patch-Ganomaly > Migliore Precisione: TL-Ganomaly
- 100. Approccio Proposto • Patch-wiseTraining e Patch-Ganomaly • TL-Ganomaly • Post-Processing: apprendimento di filtri
- 101. Approccio Proposto Post-Processing > Migliorativoper i problemi di segmentazione > Applicazione di un filtro all'anomaly score map Anomaly Score Map Filtro Anomaly Score Map Filtrata Maschera di Anomalia
- 102. Approccio Proposto Obiettivi: Migliorarele soluzioni fornite per la segmentazione delle regioni normale e anomala Soluzioni: Modello Conv-Processing Post-Processing
- 103. Conv-Processing > Modello Supervisionato >Fornisce il filtro convoluzionale Approccio Proposto Modello Conv-Processing Anomaly Score Map Filtro Convoluzionale
- 104.
- 105. Addestramento > Rete Neurale:un layer Convoluzionale > Training set etichettato: anomaly score map e maschere di anomalia > Apprende i parametri del kernel convoluzionale Approccio Proposto Kernel: 3 x 3 x x' Input Output Conv 2D Sigmoid
- 106. Esperimenti • Dataset eModelli di riferimento • Patch-Ganomaly e TL-Ganomaly • Post-Processing: apprendimento di filtri
- 107. Primo confronto tra: >Patch-Ganomaly con filtro convoluzionale costante in post-processing > Patch-Ganomaly con filtro convoluzionale fornito dal modello Conv-Processing (PG-Detector) Esperimenti Post-Processing Modello Patch-Ganomaly 0,11 0,11 0,11 0,11 0,11 0,11 0,11 0,11 0,11 Modello Patch-Ganomaly 0,36 0 0,28 0,35 0,4 0,37 0,25 0,26 0,31 PG-Detector Filtro Conv. Costante Filtro Conv. Appreso
- 108. Secondo confronto tra: >TL-Ganomaly con filtro convoluzionale costante in post-processing > TL-Ganomaly con filtro convoluzionale fornito dal modello Conv-Processing (TL-Detector) Esperimenti Post-Processing Modello TL-Ganomaly Modello TL-Ganomaly TL-Detector Filtro Conv. Appreso 0,17 0 0,23 0,2 0,05 0,24 0,21 0,17 0,21 0,11 0,11 0,11 0,11 0,11 0,11 0,11 0,11 0,11 Filtro Conv. Costante
- 109.
- 110. Immagini Test Esperimenti Immagine OriginaleMaschera di Anomalia Pixel Anomali PG-Detector Difetto di tipo 1 Difetto di tipo 2 Difetto di tipo 3
- 111. Esperimenti Difetti di tipo1 PG-Detector Pixel Riconosciuti Anomali Pixel Anomali Patch-Ganomaly Conv. Costante PG-Detector
- 112. Esperimenti Difetti di tipo2 PG-Detector Pixel Riconosciuti Anomali Pixel Anomali PG-Detector Patch-Ganomaly Conv. Costante
- 113. Esperimenti Difetti di tipo3 PG-Detector Pixel Riconosciuti Anomali Pixel Anomali PG-Detector Patch-Ganomaly Conv. Costante
- 114. Su un testset di 120 immagini: Risultati Esperimenti > PG-Detector apporta migliorie in termini di Precision > Fornisce soluzioni con meno falsi positivi PG-Detector
- 115.
- 116. Difetto di tipo1 Difetto di tipo 2 Difetto di tipo 3 Immagini Test Esperimenti Immagine Originale Maschera di Anomalia Pixel Anomali TL-Detector
- 117. Esperimenti Difetti di tipo1 TL-Detector Pixel Riconosciuti Anomali Pixel Anomali TL-Detector TL-Ganomaly Conv. Costante
- 118. Esperimenti Difetti di tipo2 TL-Detector Pixel Riconosciuti Anomali Pixel Anomali TL-Detector TL-Ganomaly Conv. Costante
- 119. Esperimenti Difetti di tipo3 TL-Detector Pixel Riconosciuti Anomali Pixel Anomali TL-Detector TL-Ganomaly Conv. Costante
- 120. Risultati Esperimenti TL-Detector Su un testset di 120 immagini: > TL-Detector apporta migliorie in termini di Recall > Fornisce una segmentazione delle regioni più efficace
- 121.