1. どんなもの？

• ImageNetで事前学習済みモデルを利用した異常検知
• 事前学習モデルで得られる特徴Mapを用いる
• MVTecでSoTA

2. 先行研究と比べてどこがすごい？

• NNの更新などは一切なく，学習するパラメータは平均ベクトルと共分散行列の集合のみ
• kNNなどを使わないので，推論が高速

3. 技術や手法の"キモ"はどこ？

学習

1. Pretrained modelから多重解像度な特徴Mapを抽出
2. アップサンプリングして，1番空間解像度の大きい特徴Mapと空間解像度を揃えて，
   $H \times W \times N$のtensorにする
3. これらを$N$次元ベクトルの$H \times W$個の集合と考え，訓練データ（正常のみ）から得られる特徴Mapに対して，position毎に平均ベクトルと共分散行列を求める

推論

1. テストデータに対して，Pretrained modelから特徴Map抽出
2. 学習で求めたpositino毎の平均ベクトルと共分散行列からマハラノビス距離を算出

$$ A(x) = \sum_h^H{ \sum_w^W { \sqrt{ ( x_{hw} - \mu_{hw } )^T\Sigma_{hw}^{-1}( x_{hw} - \mu_{hw } ) } } } $$

4. どうやって有効だと検証した？

• MVTec でSoTA

  • 実際の外観検査に近づけるために，±10度のrandom rotaionを加えた
  • $256 \times 256$にリサイズし，$224 \times 224$にセンタークロップ

• 特徴MapのチャンネルをPCAで次元削減したり，ランダム選択したりしても，精度に影響はなかった

5. 議論はあるか？

• 非常に単純な枠組みだが，SoTA
• MVTecの精度はほぼ限界なので，Beyond MVTec AD求む
• random rotationの影響を実験すべき

6. 次に読むべき論文はある？