Normalizing Flows contrastifs pour la détection d'anomalies sur ouvrages d'art
Résumé
Among unsupervised anomaly detection methods in the context of civil engineering (CE) monitoring, those using Normalizing Flows (NF) have reached state-of-the-art performance. Using only defect-free images, they learn to detect anomalies as elements departing from the healthy parts distribution. In this work, we propose to increase the discriminative power of these methods by leveraging the possibility to produce synthetic anomalies. Starting with CFlow-AD, one of the best-performing NF-based methods, we augment its loss with different complementary learning objectives using anomalies generated by POISSON interpolation. We demonstrate the interest of these new augmented losses on several CE-related datasets.
Les méthodes via Normalizing Flows (NF) sont des méthodes de détection d'anomalies non supervisées qui performent bien dans le cadre de l'auscultation des ouvrages d'art (OA). Utilisant uniquement des images sans défauts, elles apprennent à détecter les anomalies comme les éléments se démarquant de la distribution des parties saines. Dans ces travaux, nous mettons en place différents objectifs d'apprentissage complémentaires utilisant des anomalies synthétiques, générées par interpolation de POISSON, afin d'améliorer les performances du modèle NF CFlow-AD, un des meilleurs modèles NF de l'état de l'art. Nous montrons l'intérêt de ces objectifs sur plusieurs jeux de données relatifs aux OA.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence | |
| Commentaire | Correction coquille |