Modelli neurali per industrial anomaly detection

L'anomaly detection applicata al mondo della visione artificiale consiste nell'identificare anomalie in immagini o video. In particolare, applicata in ambito industriale è utile per verificare la qualità di produzione e identificare eventuali oggetti anomali da scartare. Tra le varie tecniche destano particolare interesse quelle che prevedono un sistema che possa essere addestrato in modo non supervisionato utilizzando solo immagini normali (non anomale). Tra di esse rientra PatchCore che si basa su un primo step in cui vengono estratte delle features dalle immagini utilizzando una rete convoluzionale pre-allenata e vengono mantenute solo quelle più rappresentative con una tecnica chiamata coreset. Il secondo step, che avviene in fase di inferenza, consiste nel calcolo di un punteggio di anomalia trovando la distanza tra le features estratte dalle immagini di train e quelle estratte dall'immagine da analizzare. Tali features però non contengono alcuna informazione posizionale e di vicinato. Questo diventa un problema nei casi in cui l'anomalia è data dalla presenza in posizione errata di una certa feature all'interno dell'immagine. Se tale feature è presente ma non dove ci si aspetta, il sistema non rileverà alcuna anomalia poiché non considera alcuna informazione posizionale. Partendo quindi da un implementazione di PatchCore si è cercato di aggiungere all'algoritmo pre-esistente informazioni posizionali e di vicinato. In particolare, si è preso come riferimento l'articolo PNI che basandosi su PatchCore introduce due contributi. Il primo consiste nel modellare la probabilità condizionale data dalle features del vicinato utilizzando un Multi Layer Perceptron. Inoltre aggiunge un informazione posizionale costruendo in ciascuna posizione un istogramma rappresentante le probabilità di ciascuna feature in quella specifica posizione.