Améliorer la localisation des anomalies avec des connaissances d'experts

La Localisation d'anomalies dans les images, c'est trouver des zones inhabituelles ou des défauts dans les images. Cette tâche est super importante dans plein de secteurs, comme la fabrication, où repérer des défauts peut faire gagner du temps et de l'argent. Y'a beaucoup de techniques pour ça, mais la plupart utilisent des images normales sans tenir compte des anomalies.

Dans beaucoup de cas, c'est facile de choper des images normales, mais celles avec des défauts, comprenant des notes détaillées sur leurs problèmes, c'est plus compliqué à trouver. Ce manque d'infos détaillées rend dur l'entraînement des modèles pour reconnaître et déceler ces anomalies.

#Le Défi d'Utiliser des Échantillons Normaux

La plupart des méthodes actuelles pour localiser des anomalies fonctionnent en utilisant uniquement des images normales pour entraîner leurs modèles. L'idée, c'est que si tu entraînes un modèle avec plein de données normales, il va apprendre à reconnaître ce qui est normal et ensuite réaliser quand quelque chose ne colle pas. Une approche courante, c'est d'utiliser une méthode appelée reconstruction, où un modèle essaie de recréer l'image originale. S'il peine à recréer une partie de l'image, ça veut dire que cette partie pourrait être défectueuse ou distincte.

Dans la pratique, le processus implique d'utiliser un type de réseau de neurones appelé encodeur, qui compresse une image en une forme plus simple, et un décodeur qui reconstruit l'image originale à partir de cette forme simplifiée. Une fois l'image reconstruite, on peut faire des comparaisons pour trouver des zones qui diffèrent significativement des échantillons normaux.

Bien que cette méthode soit populaire pour sa simplicité et son efficacité, y'a un gros inconvénient. Parfois, le réseau de neurones est trop bon dans son job, ce qui signifie qu'il peut aussi reconstruire certains pixels défectueux ou inhabituels, rendant la localisation des anomalies moins efficace.

#Le Rôle des Échantillons Anormaux Faiblement Étiquetés

Même quand on essaie d’utiliser des échantillons avec des défauts, les annotations manquent souvent de détails. Elles peuvent juste surligner les grandes zones avec des problèmes au lieu de détails spécifiques sur le niveau des pixels. Ça rend l'utilisation de ces échantillons plus difficile. Les experts dans le domaine peuvent comprendre des schémas ou caractéristiques généraux de ces anomalies, mais passer ce savoir, c'est pas toujours évident.

Utiliser les insights des experts qui peuvent reconnaître des schémas ou traits inhabituels pourrait améliorer le processus de labellisation de ces échantillons faibles. En intégrant le savoir d'experts, on pourrait potentiellement améliorer la localisation des anomalies dans les images.

#Approche de Formation Auto-Informée par les Connaissances

Pour relever le défi de trouver des anomalies de manière plus précise, une nouvelle méthode appelée formation auto-informée par les connaissances (KIST) a été développée. Cette méthode vise à améliorer le modèle en utilisant continuellement les connaissances des experts tout en s'entraînant sur des échantillons normaux et des échantillons anormaux faiblement étiquetés.

L'approche KIST implique deux étapes principales. D'abord, elle génère des Pseudo-étiquettes pour les échantillons faiblement étiquetés en fonction des connaissances des experts. Ensuite, elle met à jour le modèle en se basant sur ces pseudo-étiquettes. Ce processus continue en cycles pour peaufiner encore plus le modèle et améliorer sa précision dans la localisation des anomalies.

Pendant la première étape, la méthode prend les échantillons faiblement étiquetés et produit des étiquettes au niveau des pixels qui indiquent quelles parties des images sont susceptibles d'être anormales en fonction de Règles floues dérivées des connaissances des experts. Dans la deuxième étape, le modèle utilise ces étiquettes pour s'ajuster et apprendre mieux à distinguer entre les régions normales et anormales.

#Utilisation de Règles Floues pour la Représentation des Connaissances

Pour utiliser efficacement le savoir des experts dans la méthode KIST, des règles floues sont utilisées. Ces règles aident à quantifier les infos vagues fournies par les experts. Par exemple, un expert pourrait dire : "Les zones avec une faible luminosité peuvent être anormales." Cette affirmation peut être traduite en une règle floue qui aide le modèle à évaluer les niveaux de luminosité des différentes zones.

Les règles floues peuvent gérer l'incertitude et les critères vagues, permettant une compréhension plus flexible de ce qui rend une zone potentiellement anormale. En traduisant les insights des experts en règles concrètes, le modèle peut évaluer plus fiablement la probabilité d'anomalies dans différentes régions.

#Étapes de la Méthode KIST

La méthode KIST est organisée en étapes claires et distinctes :

1. Construire le Modèle Initial : Le modèle est d'abord construit en utilisant uniquement des échantillons normaux. Ça établit une base de ce qui est attendu d'une image normale.

2. Générer des Pseudo-Étiquettes : Le modèle prend son entraînement initial et commence à étiqueter certains échantillons anormaux faiblement étiquetés en utilisant les règles floues. Ça lui donne des zones spécifiques sur lesquelles se concentrer, améliorant sa capacité à reconnaître les anomalies.

3. Mettre à Jour le Modèle : Le modèle est ensuite mis à jour en utilisant une fonction de perte spécifique qui s'assure qu'il apprend à bien reconstruire les zones normales tout en peinant avec les pixels anormaux définis.

4. Répéter le Processus : Les étapes 2 et 3 sont répétées plusieurs fois. Chaque itération peaufine encore le modèle, améliorant sa capacité à distinguer les régions normales et anormales.

5. Post-traitement : Après que le modèle ait fait ses prédictions, un traitement supplémentaire peut être appliqué pour lisser le bruit dans les résultats, rendant la sortie plus fiable.

#Mise en Œuvre et Expérimentation

Pour tester la méthode KIST, une série d'expérimentations peut être menée sur divers ensembles de données comprenant à la fois des images normales et anormales. Les ensembles de données incluent souvent différents types de défauts pour s'assurer que le modèle se généralise bien dans divers scénarios.

Les facteurs clés lors des expérimentations incluent :

• Ensembles de Données Diversifiés : Utiliser différents ensembles d'images avec divers types d'anomalies assure que le modèle soit testé dans des conditions variées.
• Comparaisons de Base : La méthode KIST est comparée à d'autres méthodes populaires pour mesurer les améliorations de performance.
• Métriques d'Évaluation : Des métriques comme l'aire sous la courbe de fonctionnement du récepteur (AUROC) et l'aire sous la courbe de chevauchement par région (AUPRO) sont largement utilisées pour quantifier à quel point le modèle localise bien les anomalies.

#Résultats de l'Expérimentation

Les résultats des expérimentations montrent généralement que KIST surpasse d'autres méthodes en termes de précision et de fiabilité dans la localisation des anomalies.

#Résultats Qualitatifs

Les résultats qualitatifs révèlent que KIST est meilleur pour séparer les pixels normaux des pixels anormaux. En regardant les images résiduelles, les régions anormales sont beaucoup plus claires. Cette séparation plus nette aide à identifier correctement quels pixels appartiennent à quelle catégorie.

#Résultats Quantitatifs

Les résultats quantitatifs confirment les conclusions positives des analyses qualitatives. KIST montre des améliorations significatives dans les métriques AUROC et AUPRO, surpassant les modèles de base et d'autres méthodes concurrentes. Le modèle peut obtenir de bonnes performances même avant qu'un post-traitement ne soit appliqué, démontrant son efficacité.

#Conclusion et Directions Futures

La localisation d'anomalies est une tâche critique dans divers secteurs, et des méthodes efficaces sont essentielles pour une détection précise. KIST représente une nouvelle approche prometteuse qui combine l'entraînement normal avec des échantillons anormaux faiblement étiquetés, enrichie par le savoir des experts.

En permettant un auto-entraînement itératif et en utilisant des règles floues, KIST améliore à la fois la compréhension du modèle et ses performances dans des applications réelles. La recherche future se concentrera probablement sur peaufiner les façons dont les connaissances sont intégrées et trouver des méthodes d'entraînement plus efficaces pour booster encore plus les performances dans les tâches de localisation d'anomalies.

À mesure que les secteurs continuent d'évoluer et que la variété des anomalies augmente, des méthodes adaptables et intelligentes comme KIST joueront un rôle essentiel dans le maintien de la qualité et de l'efficacité des processus allant de la fabrication à la sécurité.