상상해 보세요. 어떤 공장에서 **완벽한 제품 (정상)**만 만들어져야 하는 공장이 있다고 칩시다. 하지만 공장 관리자가 실수로 **불량품 (이상)**들을 정상 제품 상자에 섞어 버렸습니다.
1. 기존 방법의 문제점 (과적합의 함정)
기존의 검사원 (기존 AI) 은 "이 상자 안에 있는 것들은 모두 정상이다"라고 믿고 공부합니다.
문제: 만약 상자 안에 불량품이 섞여 있다면, 검사원은 **"아, 이 불량품도 정상 제품 중 하나구나!"**라고 착각하게 됩니다.
결과: 나중에 진짜 불량품이 들어와도, 검사원은 "이건 내가 배운 정상 제품 중 하나야"라고 넘겨버립니다. 이를 **'과적합 (Overfitting)'**이라고 합니다. 즉, 훈련 데이터에 있는 오류까지 학습해버려서 실제 상황에서 실패하는 것입니다.
2. BAAF 의 해결책: "여러 명의 검사원을 모아서 투표하자!"
BAAF 는 이 문제를 해결하기 위해 한 명의 검사원이 아니라, 여러 명의 검사원을 고용하는 전략을 씁니다.
단계별 과정:
상자를 나누기 (Bagging):
섞여 있는 제품 상자 전체를 무작위로 여러 개의 작은 상자로 나눕니다. (예: 4 개의 작은 상자)
중요한 점: 같은 불량품이 여러 작은 상자에 동시에 들어가지 않도록 중복 없이 나눕니다.
각자 공부시키기:
각 작은 상자마다 별개의 검사원을 배치합니다.
검사원 A 는 상자 1 을 보고 공부하고, 검사원 B 는 상자 2 를 보고 공부합니다.
이때, 검사원 A 는 자신이 공부한 상자 1 을 제외한 **나머지 상자들 (2, 3, 4)**을 검사합니다.
신뢰도 투표 (Filtering):
"이 제품이 불량인가?"라고 물었을 때, 검사원 A 는 "불량이다"라고 말하고, 검사원 B 도 "불량이다"라고 말합니다.
하지만 만약 어떤 제품이 대부분의 검사원들에게 "불량"이라고 지적받았다면, 그 제품은 확실히 불량품일 가능성이 높습니다.
반대로, 어떤 제품이 모든 검사원에게 "정상"이라고 인정받았다면, 그건 진짜 정상 제품입니다.
최종 정리:
이렇게 "불량"이라고 의심된 제품들을 모두 버립니다.
이제 남은 제품들은 100% 정상 제품으로 믿을 수 있게 됩니다.
마지막으로, 이 깨끗해진 제품들만으로 **최종 검사원 (최종 AI)**을 훈련시킵니다.
🌟 왜 이 방법이 혁신적인가요?
누구나 쓸 수 있는 만능 열쇠: 기존에 개발된 어떤 AI 검사 방법 (PatchCore, EfficientAD 등) 이든 상관없이, 이 'BAAF' 과정을 거치면 순간적으로 비지도 학습 (정답 없는 학습) 이 가능해집니다.
논리적 결함도 잡는다: 단순히 모양이 깨진 것뿐만 아니라, "너무 많은 나사가 한곳에 붙어있다"거나 "색깔이 이상하게 섞여있다" 같은 논리적인 결함까지 찾아낼 수 있습니다. (기존 비지도 학습 방법들은 이런 복잡한 결함을 못 찾았습니다.)
미래proof: 앞으로 더 똑똑한 AI 검사 방법이 개발되면, BAAF 를 입히기만 하면 그 방법도 자동으로 비지도 학습이 가능해집니다.
⚖️ 단점과 대가
시간이 좀 걸립니다: 한 번의 검사원을 키우는 게 아니라, 여러 번 반복해서 훈련해야 하므로 학습 시간이 5~13 배 정도 길어집니다.
하지만: 실제 제품을 검사할 때 (추론 단계) 는 기존 방법과 똑같이 빠릅니다. 학습은 오래 걸리지만, 실제 검사 속도는 느려지지 않습니다.
📝 한 줄 요약
"불량품이 섞인 더러운 데이터라도, 여러 명의 AI 검사원을 모아 서로의 의견을 주고받으면, 결국 깨끗한 '정상' 데이터만 골라낼 수 있다. 그래서 정답을 알려주지 않아도 AI 가 스스로 결함을 찾아낼 수 있게 된다."
이 방법은 산업 현장, 의료 영상, 환경 감시 등 정답 (정상 데이터) 을 완벽하게 구하기 어려운 현실적인 문제들을 해결하는 데 큰 도움이 될 것으로 기대됩니다.
1. 문제 정의 (Problem Statement)
배경: 이미지 및 비디오의 이상 탐지 (Anomaly Detection) 는 산업 검사, 의료 진단, 환경 모니터링 등 다양한 분야에서 필수적입니다.
현재 한계 (One-Class Classification, OCC): 기존 대부분의 이상 탐지 방법은 '단일 클래스 분류 (OCC)' 문제로 접근합니다. 이는 훈련 데이터가 순수하게 정상 (Nominal) 데이터로만 구성되어 있다고 가정합니다.
레이블 노이즈에 취약: 실제 현장에서는 훈련 데이터에 이상 (Anomaly) 이 섞여 있을 가능성이 높습니다. OCC 방법은 훈련 중 이상을 정상으로 학습하여 과적합 (Overfitting) 되며, 추론 시 해당 이상을 탐지하지 못해 위음성 (False Negative) 이 발생합니다.
데이터 수집의 어려움: 사전에 정상 데이터만 완벽하게 선별된 데이터셋을 확보하는 것은 비용이 많이 들고 현실적으로 어렵습니다.
기존 무감독 방법의 부족: 훈련 데이터의 이상에 내성이 있는 완전 무감독 (Fully Unsupervised) 방법들이 존재하지만, 성능이 OCC 기반 방법보다 낮거나, 패치 (Patch) 기반 접근법으로만 국한되어 다양한 OCC 알고리즘의 장점을 활용하지 못합니다.
2. 제안 방법론: BAAF (Methodology)
저자들은 부트스트랩 애그리게이션 이상 필터링 (Bootstrap Aggregation Anomaly Filtering, BAAF) 을 제안합니다. 이는 기존 OCC 기반 이상 탐지기를 수정 없이 완전 무감독 방식으로 변환하는 정규화 (Regularization) 프레임워크입니다.
핵심 원리
이상 탐지의 고유 속성 활용:
이상은 샘플링 데이터에서 드물게 발생합니다 (희소성).
이상은 일반적으로 이질적입니다 (다양성).
귀납적 추론 (Corollary): 독립적으로 샘플링된 두 개의 이상 샘플이 서로 매우 유사할 (거리 ϵ 이내) 확률은 거의 0 입니다. 즉, 훈련 세트와 검증 세트에 나뉜 이상들은 서로 겹치지 않을 가능성이 높습니다.
BAAF 알고리즘 프로세스:
데이터 분할 (Bagging): 전체 훈련 데이터를 n개의 겹치지 않는 하위 집합 (Bags) 으로 무작위 분할합니다.
독립 학습: 각 Bag 에 대해 OCC 모델을 독립적으로 훈련시킵니다.
교차 예측 (Cross-Prediction): 각 모델은 자신이 훈련하지 않은 다른 Bag 의 데이터에 대해 이상 점수 (Anomaly Score) 를 예측합니다.
필터링 (Filtering):
예측 점수를 정규화하고, 정상과 이상 분포를 가정하여 가우시안 혼합 모델 (GMM) 을 피팅합니다.
두 분포의 교차점 (Crossover point) 을 임계값으로 설정합니다.
다수결 (Majority Vote) 원칙에 따라, 대부분의 모델에서 이상으로 예측된 샘플을 훈련 데이터에서 제거합니다.
최종 학습: 필터링된 '정제된' 정상 데이터만으로 최종 OCC 모델을 훈련시킵니다.
특징:
무변환 (No Modification): 기존 OCC 알고리즘 (PatchCore, EfficientAD 등) 의 내부 구조나 로직을 변경하지 않습니다. 오직 훈련 데이터의 하위 집합만 변경합니다.
범용성: 이미지뿐만 아니라 비디오 이상 탐지에도 적용 가능합니다.
3. 주요 기여 (Key Contributions)
새로운 정규화 기법 (BAAF): 기존 및 미래의 모든 OCC 기반 이상 탐지 방법을 수정 없이 완전 무감독 방식으로 변환할 수 있는 범용 프레임워크를 제안했습니다.
최신 성능 (SOTA) 달성: MVTec AD, ViSA, MVTec Loco AD 데이터셋에서 완전 무감독 설정으로 기존 무감독 방법들 (InReaCh, SoftPatch, FUN-AD 등) 을 능가하는 성능을 기록했습니다.
첫 번째 무감독 논리적 이상 탐지: 논리적 이상 (Logical Anomalies, 예: 물체의 과다 존재, 비정상적 관계) 을 탐지하는 최초의 완전 무감독 방법을 제시했습니다.
범용 적용성 및 성능 향상: 8 가지 다양한 OCC 방법 (메모리 뱅크, 재구성, 학생 - 교사 구조 등) 에 적용하여, 훈련 데이터에 10% 의 이상이 섞여 있을 때 평균 I-AUROC 0.171만큼 성능을 향상시켰습니다.
4. 실험 결과 (Results)
데이터셋: MVTec AD, ViSA, MVTec Loco AD.
성능 비교:
MVTec AD & ViSA: BAAF(3/4)+PatchCore 조합이 10% 훈련 이상 오염 (Corruption) 조건에서 기존 무감독 방법들보다 뛰어난 I-AUROC(0.984) 를 기록했습니다.
다양한 OCC 방법 적용: PatchCore, EfficientAD, DinoAnomaly 등 다양한 아키텍처에 BAAF 를 적용했을 때, 모두 훈련 데이터의 이상에 대한 내성이 크게 향상되었습니다.
논리적 이상 탐지 (LOCO AD): 기존 무감독 방법들은 논리적 이상을 탐지하지 못했으나, BAAF+PUAD(논리적 이상 탐지 OCC) 조합은 기존 OCC 방법들의 훈련 오염 취약성을 해결하고 SOTA 성능을 달성했습니다.
하이퍼파라미터: Bag 수와 Vote 수에 따른 민감도 분석을 통해, 4 개의 Bag 과 3 개의 Vote 가 성능과 학습 시간 간의 최적 균형을 제공함을 확인했습니다.
강건성: 훈련 데이터에 40% 의 이상이 섞여 있더라도 여전히 높은 성능 (I-AUROC 0.938) 을 유지하며, 이상 탐지 가정 (희소성, 독립성) 이 일부 위반되더라도 높은 이상 탐지율 (Recall > 92%) 을 보입니다.
5. 의의 및 한계 (Significance & Limitations)
의의:
영역 연결: OCC 방법의 발전이 곧 무감독 방법의 발전으로 직결되도록 두 영역을 연결했습니다. 향후 OCC 알고리즘이 개선되면 BAAF 를 통해 자동으로 무감독 성능도 향상됩니다.
실용성: 이상 데이터가 섞인 실제 환경에서도 OCC 방법의 강력한 성능을 활용할 수 있게 하여, 산업 및 의료 분야의 적용 가능성을 높였습니다.
추론 속도: 추론 (Inference) 단계에서는 기존 OCC 방법과 동일한 속도를 유지하며, 오히려 메모리 뱅크 크기가 줄어들어 약간의 속도 향상을 기대할 수 있습니다.
한계:
학습 시간 증가: BAAF 는 여러 번의 모델 재학습을 필요로 하므로, 학습 시간이 기존 방법 대비 5~13 배 증가합니다. 이는 온라인 (Online) 학습이 필요한 실시간 응용에는 부적합할 수 있습니다.
기저 모델의 한계: BAAF 는 OCC 모델의 성능을 향상시킬 뿐, 기저 모델 자체의 한계 (예: 사전 학습된 특징 추출기의 도메인 의존성) 를 해결하지는 못합니다.
결론
이 논문은 BAAF를 통해 이상 탐지 분야에서 오랫동안 존재해 온 '순수 정상 데이터'라는 OCC 의 가정을 깨뜨렸습니다. 기존 OCC 알고리즘의 강력한 성능을 유지하면서 훈련 데이터의 노이즈 (이상) 에 대한 내성을 부여함으로써, 완전 무감독 이상 탐지의 새로운 표준을 제시하고 논리적 이상 탐지 등 새로운 응용 분야를 개척했습니다.