본 포스트는 Spacecraft Telemetry 데이터의 특징 분석과 Anomaly Score 모델을 적용한 논문을 간단하게 정리한 글 입니다.

작성자 : 박상민 - (주)인스페이스 미래기술실 연구원

본 포스트는 약 4개월간 이상감지(Anomaly Detection)를 연구하게 되면서 공부했던 논문, 구현체 등을 정리해 공유하는 글 입니다.

항공우주분야의 이상감지를 연구해왔기 때문에 대부분의 내용이 도메인에 밀접한 내용이 있으니 참고하시면 좋을 것 같습니다.

13. Unsupervised Anomaly Detection with GANs to Guide Marker Discovery

• 망막 이미지 데이터의 이상징후를 감지하고, 마커로 표시하기위해 비지도학습 모델을 제안

• 정상 데이터만을 이용하여 학습시킨 GAN 모델을 사용해 query 이미지의 정상/비정상 여부와 비정상 영역을 찾아내고자 함

  

Method

• 정상 이미지 데이터에서 임의의 위치에서 랜덤하게 c x c 크기의 패치이미지 추출

• 정상 데이터를 이용하여 GAN 학습

• Generative 모델은 fake 이미지를 real 이미지와 유사하게 만들기위해 real 이미지의 latent space를 맵핑

  

• G모델이 만든 fake 이미지와 real image를 구별하도록(판별) Discriminator를 훈련

• 훈련된 Generator & Discriminator의 파라미터를 고정한 채 Queary 이미지를 G모델에 입력

• 정상 이미지의 경우 학습된 정상 이미지의 latent space(z)로 맵핑이 되지만, 비정상 이미지일 경우 벗어나게 됨 -> cost function의 오차가 발생 아래 그림 출처

  

• Anomaly Score가 높으면 비정상 이미지 / 낮으면 정상 이미지

  

Dataset

• 망막층을 관측하는 빛간섭단층촬영(OCT) 영상을 사용

• 학습 데이터 셋
  • 정상 OCT 2D 이미지 패치
  • 64x64 사이즈의 추출한 1,000,000(100만) 2D 이미지
  • 정규화(-1 ~ 1)
• 테스트 데이터 셋
  • 10개의 정상 데이터 셋과 10개의 비정상 데이터 셋 이용
  • 8,192개의 이미지 패치를 이용

Model Architecture

• DCGAN 구조 사용하여 64x64 사이즈의 이미지를 학습

  

• 채널 (1024-512-256-128) -> 채널 (512-256-128)

Results

• 모델 결과

  

• 타 모델과의 성능지표 비교