This paper shows outlier detection technique by training deep neural networks by self-supervised learning.
The performance of object classification through the deep neural network has been greatly improved. Since the model for object classification is learned by setting the number of classes to be classified, there is a problem that when an object not used for learning is input, it is classified as one of the learned objects. Because there are a lot of unused objects in the actual test environment, it is necessary to study whether the input object is the class used for learning. This research proposes a new method of outlier detection by training deep neural networks that match the puzzles by self-supervised learning. In order to identify outliers as unused classes, we trained the network to identify semantic information between patches using only inlier class. We distinguished the outlier class from the inlier class based on the assumption that the accuracy of matching puzzles of the inlier class would be higher than that of the outlier class. The performance was measured using the ROC curve and the proposed method was found to be effective for outlier detection.
본 논문에서는 이미지에서 패치를 추출하고 자가지도학습으로 패치 사이의 상대적 위치를 예측하는 모델을 학습하여 아웃라이어 검출에 적용하는 새로운 방법을 제안한다. 심층 신경망 학습을 통한 물체 분류 성능이 많이 향상 되었다. 학습에 사용되지 않은 물체가 입력되면 학습된 물체 중의 하나로 분류하는 문제점이 있다. 실제로 테스트 환경에서 학습에 사용되지 않은 물체가 많기 때문에 입력된 물체가 학습에 사용된 물체인지 아닌지 판별하는 연구가 필요하다.
학습에 사용되지 않은 클래스를 아웃라이어로 식별하기 위해 인라이어 클래스만을 사용하여 이미지에서 패치를 추출하여 패치 사이의 공간적 정보를 파악하도록 네트워크를 학습한다. 상대 위치를 예측하는 정확도를 바탕으로 인라이어와 아웃라이어를 구분한다. ROC 곡선을 이용해 성능을 측정하고 제안한 방법이 아웃라이어 검출에 효과가 있음을 보였다.
