ディープラーニングを使った画像の異常検知について、研究が盛んに行われています。 工業製品を対象に、正常データのみを使って異常品を検出するアプローチとしては、 今のところ、@daisukelab さんの自己教師あり学習が一番有力です。こちらの研究では、 課題として、一部の画像で精度が伸び悩み、異常クラスのデータの作り方を試行錯誤した とのコメントがありました。 そこで、本稿では、多様な異常画像の自動生成方法について模索してみたいと思います。 ※こちらはPythonデータ分析勉強会#16の発表資料です。 ※コード全体はこちらに置きました。 結論から 先行研究の自己教師あり学習では、「正常」、「線を描画した異常」の2クラスに対して、本稿では「歪みを加えた異常」を追加して3クラスの深層距離学習(下図参照)で学習させた。 3クラスになったことにより、深層距離学習の最新手法「AdaCos」の使用も可能