Rethinking Continual Anomaly Detection on the Edge: Benchmarking Under Realistic Industrial Conditions

기술 요약: 엣지에서의 지속적 이상 탐지 재고찰

문제 제기
지속적 이상 탐지 (CAD) 는 산업 검사 시스템이 이전에 학습된 분포에 대한 지식을 유지하면서 진화하는 생산 조건에 적응할 수 있도록 하는 것을 목표로 합니다. 그러나 저자들은 기존 CAD 문헌에서 세 가지 중요한 격차를 확인했습니다:

1. 계산적 실현 가능성 무시: 제안된 많은 방법론은 대규모 아키텍처 (예: 비전 - 언어 모델, 확산 모델, 대형 비전 트랜스포머) 에 의존하는데, 이는 실시간 산업 처리량을 위해 필요한 엣지 장치의 제한된 연산 및 메모리 제약과 호환되지 않습니다.
2. 비현실적이고 협소한 평가: 기존 벤치마크는 병에서 케이블로 전환하는 것과 같은 이산적이고 급격한 카테고리 전환으로 작업을 취급하며, 환경 변화, 공구 마모, 또는 재료 변이로 인해 발생하는 정상 데이터 분포의 점진적이고 연속적인 드리프트를 시뮬레이션하지 않습니다. 또한, 평가는 구조적 표면 결함으로 제한되어 산업에서 흔한 논리적 이상 (예: 구성 요소 누락) 을 무시합니다.
3. 체계적 비교 부족: 출판된 CAD 방법론 (DNE, IUF, UCAD) 은 다양한 조건 하에서 서로 다른 베이스라인에 대해 독립적으로 평가되어, 그들의 상대적 강점이나 약점을 직접적으로 이해하는 것을 방해합니다.

방법론
이러한 격차를 해결하기 위해 저자들은 통합 벤치마크와 새로운 방법인 DINOSaur(DINO Spatial Anomaly Unsupervised Recognition) 을 소개합니다.

• 벤치마크: 평가 프레임워크는 다음을 포함합니다:

  • 이산 작업 프로토콜: 순차적 작업 학습을 시뮬레이션하기 위해 MVTec-AD(15 개 카테고리) 와 논리적 이상을 포함하는 5 개 카테고리의 MVTec-LOCO 사용.
  • 연속 드리프트 프로토콜: 점진적 증강 (색상 왜곡, 가우시안 블러, 기하학적 왜곡) 을 적용한 Magnetic Tile Defects(MTD) 데이터셋을 사용하여 점진적인 분포 전환을 시뮬레이션.
  • 엣지 프로파일링: NVIDIA Jetson Orin Nano 및 Raspberry Pi 5 에서 추론 지연 시간, 메모리 사용량 및 처리량 측정.
  • 지표: 이미지 수준 AUROC, 정확도, 재현율 및 망각 측정 (FM).

• DINOSaur 아키텍처:

  • 동결된 백본: 가중치 업데이트를 제거하고 구성상 치명적인 망각을 방지하기 위해 특징 추출을 위해 동결된 DINOv3 ViT-S/16(21M 파라미터) 사용.
  • 공간 인덱싱 메모리 뱅크: 평탄한 메모리 뱅크 대신, DINOSaur 은 특징 그리드의 각 공간 패치 위치 $(i, j)$에 대한 특징 벡터의 코어셋을 유지합니다. 이는 공간 레이아웃을 보존합니다.
  • 이웃 제한 점수 매기기: 추론 중 테스트 패치의 이상 점수는 공간 이웃 (반경 $r$) 내의 메모리 특징과만 비교하여 계산되어 공간 일관성을 강제합니다.
  • 작업 라우팅: 동결된 백본의 글로벌 CLS 토큰을 사용하여 저장된 작업 프로토타입 (평균 CLS 토큰) 중 가장 가까운 것을 찾아 현재 작업을 식별함으로써, 레이블 없이 비지도 작업 식별을 가능하게 합니다.
  • 학습 불필요: 새로운 작업에 대한 적응은 특징 추출 및 코어셋 선택을 위한 단일 순방향 전달만 필요하며, 엣지 하드웨어에서 30 초 미만 소요됩니다.

주요 결과
저자들은 DINOSaur 을 세 가지 전용 CAD 방법 (DNE, IUF, UCAD) 과 경험 재생 (Experience Replay) 이 증강된 전통적 베이스라인 (PatchCore, EfficientAD) 과 비교 평가했습니다.

• 성능: DINOSaur 은 다섯 가지 평가 프로토콜 (MVTec-AD, MVTec-LOCO, 세 가지 MTD 드리프트 유형) 전반에 걸쳐 가장 높은 이미지 수준 AUROC 를 달성하여 모든 다른 방법보다 우월했습니다. 특히, 전용 CAD 방법 (DNE, IUF) 은 비지도 설정에서 우연 수준에 가까운 성능 (AUROC $\approx$ 0.5) 으로 무너졌으며, UCAD 은 재생 기반 베이스라인보다 크게 뒤처졌습니다.
• 망각: DINOSaur 은 동결된 백본과 작업별 메모리 뱅크로 인해 모든 프로토콜에서 제로 망각 (FM = 0.000) 을 달성했습니다.
• 효율성:
  • NVIDIA Jetson Orin Nano 에서 DINOSaur 은 91.6ms(10.9 FPS) 의 100ms 미만 추론을 달성하여 PatchCore(119ms) 를 능가했고, UCAD(~956ms) 및 IUF(OOM) 보다 훨씬 빨랐습니다.
  • CPU 전용 Raspberry Pi 5 에서 DINOSaur 은 의미 있는 탐지 능력을 가진 두 번째로 빠른 방법 (630.6ms) 이었습니다.
  • IUF 는 GPU 메모리 제약 (OOM) 으로 인해 Jetson 에서 실행되지 못했습니다.
• 드리프트 분석: DINOSaur 과 PatchCore 는 색상 및 블러 드리프트에서 잘 수행되었지만, 모든 방법이 기하학적 왜곡 (AUROC 는 우연 수준) 에 어려움을 겪었으며, 이는 공간 변환이 분포 기반 방법이 의존하는 패치 수준 특징 관계를 근본적으로 방해함을 시사합니다.

의의 및 주장
이 논문은 전용 CAD 아키텍처의 복잡성이 현실적이고 비지도적이며 엣지 제약이 있는 시나리오에서 우월한 성능으로 이어지지 않는다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. CAD 재평가: 전통적 백본을 사용한 단순한 경험 재생 (PatchCore) 이 종종 전용 CAD 방법보다 우월하며, 후자는 향상된 성능을 보여주기 위해 지도식 이상 예제나 비현실적 평가 프로토콜에 의존할 수 있음을 입증.
2. 실용적 엣지 배포: 제로 망각과 저전력 엣지 하드웨어에서의 실시간 추론을 달성하는 학습 불필요, 메모리 효율적인 방법인 DINOSaur 도입.
3. 통합 벤치마크: 현실적인 연속 드리프트 및 논리적 이상 조건 하에서 출판된 모든 CAD 방법의 체계적 비교를 제공하여, 현재 연구와 산업 배포 필요성 간의 괴리를 강조.

저자들은 엣지 배포 산업 검사를 위해 복잡한 학습 가능 지속 학습 아키텍처보다 구조화된 메모리 뱅크를 갖춘 경량 동결 특징 접근 방식이 더 실용적이고 효과적인 해결책을 제공한다고 결론지었습니다.