Meta aprendizado para detecção de anomalias em imagens

Abstract

A detecção de anomalias é uma tarefa relevante em diversos problemas do mundo real, com aplicação em diversas áreas e setores do mercado, como medicina, segurança, finanças, monitoramento, controle de ambientes, inspeção industrial, entre outros. Como exemplos, algumas situações enfrentadas diariamente em que algo pode ser ‘anormal’ ou fora do comum são acidentes de trânsito, detecção de doenças, fraudes em transações de cartão de crédito e assim por diante. Trata-se de um problema desafiador, uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento que não esteja em conformidade com um padrão de comportamento considerado normal pode ser visto como uma anomalia. Apesar de avanços em trabalhos recentes na detecção automática de anomalias assim como na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias em imagens, quando somente amostras sem anomalias estão disponíveis e são consideradas no treinamento dos modelos. Além disso, considera-se como motivação cenários onde não há abundância de dados e apenas uma quantidade pequena de amostras está disponível para o treinamento. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos estado-da-arte na base de dados MVTec-AD, demonstrando resultados superiores em 29 dos 45 casos avaliados nas tarefas de detecção de anomalias em objetos e texturas nunca vistos em treinamento.