BAAF: Universal Transformation of One-Class Classifiers for Unsupervised Image Anomaly Detection

1. Il Problema

La rilevazione delle anomalie nelle immagini è fondamentale in settori come l'ispezione industriale, la diagnosi medica e il monitoraggio ambientale. Attualmente, la maggior parte dei metodi avanzati si basa sulla Classificazione a Una Classe (OCC - One-Class Classification).

• Limitazione principale: I metodi OCC assumono che il dataset di addestramento contenga esclusivamente campioni nominali (normali). Se anche una piccola percentuale di anomalie è presente nel set di addestramento (rumore di etichetta), il modello tende a "sovradattarsi" (overfitting) a queste anomalie, imparandole come normali. Di conseguenza, durante l'inferenza, il modello non riesce a rilevare le stesse anomalie, portando a falsi negativi.
• Il dilemma: Esistono metodi completamente non supervisionati che tollerano il rumore, ma spesso hanno prestazioni inferiori rispetto ai metodi OCC quando il training è pulito e mancano di diversità architetturale (spesso si basano solo su approcci "patch-based"). Non esiste un metodo universale che trasformi un qualsiasi classificatore OCC supervisionato in uno non supervisionato senza modificarne l'architettura interna.

2. Metodologia: BAAF (Bootstrap Aggregation Anomaly Filtering)

Gli autori propongono BAAF, un regime di regolarizzazione che trasforma qualsiasi metodo OCC esistente (o futuro) in un metodo completamente non supervisionato. La metodologia si basa su due proprietà intrinseche della rilevazione delle anomalie:

1. Rarità: Le anomalie sono molto meno frequenti dei dati nominali.
2. Eterogeneità: Le anomalie sono generalmente molto diverse tra loro (non omogenee), mentre i dati nominali tendono a essere più coerenti.

Il processo algoritmico (Algorithm 1):

1. Splitting del Dataset: Il dataset di addestramento (potenzialmente corrotto da anomalie) viene diviso casualmente in $n$ "sacchetti" (bags) non sovrapposti.
2. Addestramento Indipendente: Vengono addestrati $n$ modelli OCC indipendenti, uno per ogni bag.
3. Predizione Incrociata: Ogni modello predice su tutti i dati esclusi il bag su cui è stato addestrato. Questo è cruciale: se un modello è stato addestrato su un bag contenente un'anomalia specifica, imparerà a considerarla "normale", ma non generalizzerà questa conoscenza ad anomalie diverse presenti negli altri bag.
4. Filtraggio tramite GMM: Le predizioni (punteggi di anomalia) vengono normalizzate. Per ogni set di predizioni, viene adattato un Modello a Mixture di Gaussiane (GMM) a due componenti (una per i dati nominali, una per le anomalie).
   • Viene applicato un bias verso i campioni nominali per garantire alta precisione nel filtraggio.
   • La soglia di filtraggio è determinata dal punto di incrocio (crossover) tra le due distribuzioni Gaussiane.
5. Voto Maggioritario: Un campione viene rimosso dal dataset finale di addestramento se, nella maggior parte delle iterazioni (voti), è stato classificato come anomalo.
6. Addestramento Finale: Un unico modello OCC finale viene addestrato sul dataset "pulito" risultante dal filtraggio.

Nota tecnica: BAAF non modifica l'algoritmo OCC sottostante (es. PatchCore, EfficientAD), ma cambia solo i dati di input disponibili per ogni istanza di addestramento.

3. Contributi Chiave

• Trasformazione Universale: BAAF permette di convertire qualsiasi metodo OCC supervisionato esistente o futuro in un metodo completamente non supervisionato senza modifiche architetturali.
• Primo Rilevatore di Anomalie Logiche Non Supervisionato: Il paper presenta il primo metodo non supervisionato capace di rilevare "anomalie logiche" (es. quantità eccessive di un oggetto, relazioni errate tra oggetti normali), un compito precedentemente dominio esclusivo dei metodi supervisionati.
• Prestazioni SOTA: Dimostrazione di risultati allo stato dell'arte (SOTA) nella rilevazione non supervisionata su dataset complessi come MVTec AD, ViSA e MVTec Loco AD.
• Universalità: Il metodo aumenta le prestazioni (I-AUROC) di diverse famiglie di OCC (basati su memory bank, ricostruzione, student-teacher, ecc.) in media del 17,1% quando il training contiene il 10% di anomalie.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su scenari "overlapping" (le anomalie presenti nel training sono anche nel test), che è il caso più difficile e realistico.

• Dataset MVTec AD e ViSA:
  • Con il 10% di corruzione nel training, BAAF(3/4)+PatchCore ha raggiunto un I-AUROC di 0.984 (vs 0.855 del PatchCore base senza filtraggio).
  • BAAF supera i metodi non supervisionati esistenti come SoftPatch, InReaCh e FUN-AD, sia in scenari puliti che corrotti.
• Versatilità: Applicando BAAF a 8 diversi metodi OCC (inclusi AnomalyDino, EfficientAD, Fastflow), tutti hanno mostrato un miglioramento significativo nella tolleranza al rumore, mantenendo alte prestazioni anche in assenza di corruzione.
• Anomalie Logiche (LOCO AD):
  • Combinando BAAF con PUAD (un metodo OCC per anomalie logiche), si ottiene un I-AUROC di 0.849 con il 10% di corruzione, superando di gran lunga i baselines non supervisionati esistenti (che non erano progettati per anomalie logiche) e migliorando i baselines supervisionati che falliscono in presenza di rumore.
• Robustezza: Il metodo mantiene prestazioni elevate anche con tassi di corruzione fino al 40%, sebbene le prestazioni diminuiscano gradualmente all'aumentare della densità delle anomalie (violando l'assunzione di rarità).

5. Significato e Implicazioni

• Collegamento dei Domini: BAAF crea un ponte diretto tra il dominio supervisionato (OCC) e quello non supervisionato. Qualsiasi miglioramento futuro nei metodi OCC si tradurrà automaticamente in un miglioramento dei metodi non supervisionati applicando BAAF.
• Rimozione delle Assunzioni Rigide: Elimina la necessità di dataset di training perfettamente puliti, rendendo la rilevazione delle anomalie applicabile in scenari reali (come il monitoraggio ambientale o la biodiversità) dove la definizione a priori di "normale" è difficile o impossibile.
• Efficienza Inferenziale: Sebbene il tempo di training aumenti (a causa del ri-addestramento multiplo), il tempo di inferenza rimane identico a quello del metodo OCC originale, rendendo il metodo pratico per la distribuzione.
• Limitazioni: L'aumento del tempo di training (5-13 volte) può essere proibitivo per applicazioni che richiedono un fine-tuning online continuo. Inoltre, le limitazioni intrinseche del modello OCC sottostante (es. dipendenza da estrattori di feature pre-addestrati) persistono.

In sintesi, BAAF rappresenta un avanzamento significativo che democratizza l'uso di potenti classificatori OCC in ambienti non supervisionati, risolvendo il problema critico del rumore nelle etichette di training e aprendo la strada a nuove applicazioni, come la rilevazione di anomalie logiche.