Contributions à la détection non supervisée d'anomalies visuelles

Contributions to unsupervised visual anomaly detection

• Auteur / Autrice : Joao Paulo Casagrande bertoldo
• Direction : Etienne Decencière
• Type : Thèse de doctorat
• Discipline(s) : Morphologie mathématique
• Date : Soutenance le 07/02/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
• Partenaire(s) de recherche : Laboratoire : Centre de morphologie mathématique (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Nicolas Loménie
• Jury : Examinateurs / Examinatrices : Etienne Decencière, Eva Dokladalova, Toby P. Breckon, Joana Maria Frontera Pons, Samet Akçay
• Jury : Rapporteurs / Rapporteuses : Eva Dokladalova, Toby P. Breckon

Mots clés

Mots clés contrôlés

Modèles de mélanges gaussiens

Détection des anomalies (informatique)

Apprentissage non supervisé (intelligence artificielle)

Mots clés libres

Détection d'Anomalies Visuelles

Aupimo

Métrique d'Évaluation

Localisation d'Anomalies

Modèles Gaussiens

Benchmark

Apprentissage non supervisé

Réduction de Dimensionnalité

Inspection industrielle

Visual Anomaly Detection

Aupimo

Evaluation Metric

Anomaly Localization

Gaussian Models

Benchmark

Unsupervised learning

Dimensionality Reduction

Industrial Inspection

Résumé

Cette thèse traite de la détection d'anomalies visuelles, en particulier appliquée à l'identification non supervisée de défauts en applications d'inspection industrielle. Motivé par les récentes avancées dans le domaine, ce travail présente des contributions (1) à d'évaluation de la localisation des anomalies, (2) à la facilité d'utilisation des modèles via des techniques de post-traitement, et (3) à des améliorations spécifiques à des modèles basés sur les distributions gaussiennes. D'abord, nous présentons AUPIMO, une nouvelle mesure d'évaluation qui s'attaque aux limites des emph{benchmarks} actuels. Elle impose une minimisation stricte des faux positifs sur les échantillons normaux, encourageant ainsi une évaluation plus difficile. Des expériences menées sur 27 ensembles de données et huit modèles de l'état de l'art démontrent qu'AUPIMO fournit une évaluation plus fiable et plus détaillée des performances. Deuxièmement, nous proposons une méthode de sélection non supervisée de seuil et spécifique à l'image pour la localisation des anomalies. Cette méthode évite des biais introduits par les seuils basés sur des statistiques et offre une alternative aux emph{heatmaps} codées en couleur. Troisièmement, nous analysons les modèles basés sur distributions gaussiennes à l'aide d'une nouvelle méthode de réduction de la dimensionnalité. Cette analyse aboutit à des résultats qui remettent en question des notions dominantes dans le domaine, telles que la corrélation entre la variance et la performance en détection d'anomalies. Cette nouvelle méthode de réduction de la dimensionnalité basée sur les sous-espaces, combinée à des anomalies synthétiques, permet d'améliorer les performances de manière consistante. Nous présentons également un outil de visualisation permettant de localiser les anomalies pour les modèles gaussiens conçu pour des images entières. La thèse présente également une amélioration incrémentale d'un modèle de classification à une classe, permettant une utilisation plus efficace des annotations au niveau des pixels et un entrainement plus rapide. Les contributions proposées visent à combler l'écart entre la recherche et les applications du monde réel, en offrant des solutions agnostiques aux modèles pour améliorer l'analyse comparative et la facilité d'utilisation des modèles, ainsi que des améliorations spécifiques aux modèles basés sur les gaussiennes.

This thesis addresses visual anomaly detection, focusing on unsupervised defect identification in industrial inspection applications. Motivated by recent advances in the field, this work presents contributions to (1) the evaluation standards of anomaly localization, (2) usability of models via post-processing techniques, and (3) model-specific improvements. First, we introduce AUPIMO, a novel evaluation metric that addresses limitations of existing benchmarks. It imposes a hard minimization of false positives on normal samples, encouraging a more challenging and trustworthy evaluation. Experiments across 27 datasets and eight state-of-the-art models demonstrate that AUPIMO provides a more reliable and detailed performance assessment than previous benchmarks. Second, we propose an unsupervised, image-specific threshold selection method for anomaly localization. This method avoids biases introduced by statistics-based thresholds, offering an alternative to color-coded heatmaps. Third, we analyze Gaussian distribution-based models through a novel dimensionality reduction method. This analysis leads to findings that challenge prevailing notions in the field, such as the correlation between variance and model performance. This novel subspace-based dimensionality reduction method, combined with synthetic anomalies, is shown to consistently improve performance. Additionally, we introduce a visualization tool enabling anomaly localization for image-wise Gaussian models. The thesis also presents an incremental improvement to a pixel-wise one-class classification model, enabling more effective use of pixel-wise annotations and faster training. The proposed contributions aim to bridge the gap between research and real-world applications, offering model-agnostic solutions to improve benchmarking and model usability, and model-specific improvements to Gaussian-based models.