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

1. O Problema

A detecção de anomalias em imagens é crucial para aplicações como inspeção industrial, diagnóstico médico e monitoramento ambiental. A maioria dos métodos modernos baseia-se na Classificação de Uma Classe (OCC - One-Class Classification), onde o modelo é treinado exclusivamente com dados "nominais" (normais) para aprender a distribuição desses dados e identificar desvios como anomalias.

No entanto, essa abordagem possui uma limitação crítica: ela assume que o conjunto de dados de treinamento é puro (isento de anomalias). Na prática, é difícil garantir que os dados rotulados como normais não contenham ruído de rótulo ou anomalias não detectadas. Se um método OCC for treinado com dados contaminados por anomalias, ele tende a sobreajustar (overfit) a essas anomalias, aprendendo-as como parte da classe normal. Isso resulta em falsos negativos durante a inferência (a anomalia não é detectada).

Métodos puramente não supervisionados existentes tentam lidar com isso, mas geralmente:

1. Têm desempenho inferior aos métodos OCC quando não há anomalias no treinamento.
2. Carecem de diversidade arquitetural (a maioria converge para abordagens baseadas em "patches" e bancos de memória).
3. Não conseguem lidar bem com anomalias lógicas (ex: quantidade excessiva de um objeto ou relações anômalas entre objetos normais).

2. Metodologia: BAAF (Bootstrap Aggregation Anomaly Filtering)

Os autores propõem o BAAF, um regime de regularização que transforma qualquer detector de anomalias baseado em OCC supervisionado em um método totalmente não supervisionado, sem modificar a arquitetura subjacente do modelo.

Fundamentos Teóricos

O método baseia-se em duas propriedades intrínsecas da detecção de anomalias:

1. Raridade: Anomalias são muito menos frequentes que dados nominais.
2. Heterogeneidade: Anomalias tendem a ser diversas e não homogêneas.
3. Corolário: A probabilidade de duas anomalias independentes serem muito semelhantes (dentro de uma margem $\epsilon$) é próxima de zero.

O Algoritmo BAAF

O processo funciona da seguinte forma:

1. Divisão em "Bags" (Sacos): O conjunto de dados de treinamento (potencialmente contaminado) é dividido aleatoriamente em $n$ subconjuntos não sobrepostos (bags).
2. Treinamento Independente: Um modelo OCC é treinado independentemente em cada bag. Como o modelo é supervisionado (OCC), ele pode sobreajustar às anomalias presentes no seu bag específico, aprendendo-as como "normais".
3. Predição Cruzada (Cross-Prediction): Cada modelo treinado é usado para prever anomalias nos dados dos outros bags (excluindo o bag onde foi treinado).
4. Filtragem por Agregação:
   • As previsões são normalizadas para o intervalo [0, 1].
   • Para cada conjunto de previsões (excluindo o bag de treino), ajusta-se uma Mistura de Gaussianas (GMM) com dois componentes: um para dados nominais e outro para anomalias. O ajuste é enviesado para dar mais peso às previsões nominais.
   • O ponto de cruzamento entre as duas distribuições Gaussianas define um limiar de filtro.
   • Se uma amostra for classificada como anomalia pela maioria dos modelos (votação majoritária), ela é removida do conjunto de dados de treinamento final.
5. Treinamento Final: Um único modelo OCC é treinado no conjunto de dados filtrado (apenas dados considerados nominais).

Vantagem Chave: O método não altera o algoritmo de detecção de anomalias subjacente. Ele apenas altera os dados de entrada. Isso permite que qualquer avanço futuro em OCC seja automaticamente transferido para o domínio não supervisionado.

3. Principais Contribuições

• Transformação Universal: O BAAF adapta qualquer método OCC existente (ou futuro) para operar de forma totalmente não supervisionada, removendo a necessidade de conjuntos de dados perfeitamente limpos.
• Primeiro Detetor de Anomalias Lógicas Não Supervisionado: O método é aplicado com sucesso a tarefas de detecção de anomalias lógicas, algo que métodos não supervisionados anteriores não conseguiam fazer eficazmente.
• Desempenho SOTA: Alcança resultados state-of-the-art (SOTA) em detecção não supervisionada nos conjuntos de dados MVTec AD, ViSA e MVTec Loco AD.
• Universalidade: Demonstra que o método aumenta a métrica I-AUROC em média de 0,171 em 8 métodos OCC supervisionados diversos quando há 10% de anomalias no treinamento.

4. Resultados Experimentais

Os autores avaliaram o BAAF em diversos cenários:

• MVTec AD e ViSA (Anomalias Estruturais):
  • Com 10% de corrução (anomalias) nos dados de treino, o BAAF aplicado ao PatchCore (BAAF(3/4)+PatchCore) alcançou 0,984 de I-AUROC, superando outros métodos não supervisionados como SoftPatch (0,984) e InReaCh (0,855).
  • O método manteve um desempenho alto mesmo na ausência de corrução, sem penalidade significativa em comparação aos métodos OCC puros.
• Diversidade de Arquiteturas:
  • O BAAF foi testado em 8 tipos diferentes de OCC (baseados em bancos de memória, reconstrução, student-teacher, autoencoders, etc.).
  • Todos os métodos melhoraram significativamente sua tolerância a ruído de rótulo após a aplicação do BAAF.
• Anomalias Lógicas (LOCO AD):
  • Ao aplicar o BAAF ao método PUAD (focado em anomalias lógicas), o sistema alcançou o melhor desempenho em detecção não supervisionada de anomalias lógicas, superando baselines existentes que não foram projetados para lidar com esse tipo de anomalia.
• Robustez:
  • O método manteve alta precisão e recall mesmo com taxas de corrução de até 40% nos dados de treino, embora o desempenho degrade gradualmente conforme a suposição de raridade das anomalias é violada.

5. Significado e Limitações

Significado:
O BAAF estabelece uma ponte fundamental entre os domínios supervisionado (OCC) e não supervisionado. Ele resolve o problema da dependência de dados "puros" no treinamento, permitindo que a vasta literatura e os avanços contínuos em classificadores de uma classe sejam utilizados em cenários do mundo real onde a limpeza perfeita dos dados é impossível. Além disso, expande a capacidade de detecção não supervisionada para incluir anomalias lógicas complexas.

Limitações:

• Tempo de Treinamento: O método exige um aumento significativo no tempo de treinamento (entre 5x a 13x mais lento), pois requer o treinamento de múltiplos modelos (bags $\times$ iterações) antes do treinamento final. Isso pode ser proibitivo para cenários que exigem ajuste online (fine-tuning) em tempo real.
• Dependência do Método Base: Como o BAAF não altera o modelo subjacente, qualquer limitação intrínseca do método OCC escolhido (ex: dependência de extratores de características pré-treinados) persiste na versão não supervisionada.

Conclusão

O BAAF representa um avanço paradigmático ao demonstrar que a filtragem de dados baseada em agregação bootstrap pode transformar qualquer detector de anomalias de uma classe em uma ferramenta robusta e totalmente não supervisionada. Isso não apenas melhora o estado da arte atual, mas garante que futuros avanços em OCC beneficiem automaticamente o campo de detecção não supervisionada.