Anomaly Detection Task에서 간단한 Pre-Taxt Task를 통해서 Self-Supervised Learning을 설계하고 이를 통해 좋은 성능을 얻고 있는 Cutpaste모델에 대해 리뷰해보려고 합니다. Introduction Anomaly Detection는 정상이미지에서 다른 패턴을 찾아내는 것을 목적으로 합니다. Anomaly Detection은 공정 이상 탐지, 의료 영상 분석, 비디오 감시 등에서 쓰이고 있습니다. 기존의 지도학습과는 다르게 Anomaly Detection은 고유의 문제점을 가지고 있습니다. 첫번째는 비정상 데이터를 많이 구할 수 없다는 것 입니다. 즉, 정상 데이터만을 활용하여 다양한 패턴의 비정상 데이터를 찾아내야한다는 것 입니다. 두번째는 정상 데이터와 ..

이상 탐지(Anomaly Detection)는 정상인 데이터(Normal Sample Data)들 사이에서 비정상인 데이터(Abnormal Sample Data)를 탐지하는 연구 분야를 말합니다. 이상 탐지는 교통 분야(Illegal Traffic Flow Detection), 의료 분야(Detecting Retinal Damage), 통신 분야(Cyber-Network Intrusion Detection), IoT 분야(Internet of Things Big - Data Anomaly Detection)에서 활발하게 쓰이고 있습니다. 이상치(Abnormal Sample)는 그 시스템의 이상 현상에 대한 정보를 제공해주기 때문에 이상치를 탐지하고 이를 분석하는 것은 중요한 문제라고 할 수 있습니다[1]..

이상 탐지(Anomaly Detection)는 정상인 데이터(Normal Sample Data)들 사이에서 비정상인 데이터(Abnormal Sample Data)를 탐지하는 연구 분야를 말합니다. 이상 탐지는 교통 분야(Illegal Traffic Flow Detection), 의료 분야(Detecting Retinal Damage), 통신 분야(Cyber-Network Intrusion Detection), IoT 분야(Internet of Things Big - Data Anomaly Detection)에서 활발하게 쓰이고 있습니다. 이상치(Abnormal Sample)는 그 시스템의 이상 현상에 대한 정보를 제공해주기 때문에 이상치를 탐지하고 이를 분석하는 것은 중요한 문제라고 할 수 있습니다[1]..