지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김우주
- 발행연도
- 2023
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
In-distribution (ID) data에 속하지 않은 본 적이 없는 데이터를 Out-of-distribution (OOD) data로 구별해내는 것이 이상탐지의 목적이다. 본 논문은 전기차 배터리 데이터셋의 기존 결함 데이터만으로 학습하여 OOD data로 간주되는 신규 결함을 검출하기 위한 모델을 제안한다.
최근 이상탐지 분야에서는 ImageNet으로 사전 학습된 네트워크를 이용한feature 추출 방법론이 많이 사용되었다. 이 방식은 테스트 샘플과 모든 정상 샘플들의 추출된 여러 스케일의 feature representation 간의 거리를 이상치 스코어로 사용한다. 별도의 훈련 과정 없이 간단하면서도 효과적으로 이상 샘플을 구별해낸다. 하지만 이러한 feature는 고차원이기 때문에 불필요한 정보를 많이 포함하고 있어 in-distribution data에 발생하는 노이즈에 민감한 문제를 가지고 있다. 이를 해결하기 위해 본 연구에서는 reverse knowledge distillation에서 사용되는 bottleneck 구조를 차용하여 노이즈에 강건한 feature 추출 방법론을 제시했다. 또한, nearest neighbor search 과정에서 낮은 확률로 발생하는 ID 샘플로 인해 false positive 비율이 높아지는 문제가 있다. 이를 K-means clustering 수행 후 각 클러스터 중심으로 부터 거리가 먼 샘플들을 증강하여 해결하였다.
실제 산업 현장에서 생성된 전기차 배터리 데이터셋에 적용한 결과 본 연구에서 제안한 방법론이 베이스라인 모델에 비해 성능이 향상된 것을 입증하였다.
최근 이상탐지 분야에서는 ImageNet으로 사전 학습된 네트워크를 이용한feature 추출 방법론이 많이 사용되었다. 이 방식은 테스트 샘플과 모든 정상 샘플들의 추출된 여러 스케일의 feature representation 간의 거리를 이상치 스코어로 사용한다. 별도의 훈련 과정 없이 간단하면서도 효과적으로 이상 샘플을 구별해낸다. 하지만 이러한 feature는 고차원이기 때문에 불필요한 정보를 많이 포함하고 있어 in-distribution data에 발생하는 노이즈에 민감한 문제를 가지고 있다. 이를 해결하기 위해 본 연구에서는 reverse knowledge distillation에서 사용되는 bottleneck 구조를 차용하여 노이즈에 강건한 feature 추출 방법론을 제시했다. 또한, nearest neighbor search 과정에서 낮은 확률로 발생하는 ID 샘플로 인해 false positive 비율이 높아지는 문제가 있다. 이를 K-means clustering 수행 후 각 클러스터 중심으로 부터 거리가 먼 샘플들을 증강하여 해결하였다.
실제 산업 현장에서 생성된 전기차 배터리 데이터셋에 적용한 결과 본 연구에서 제안한 방법론이 베이스라인 모델에 비해 성능이 향상된 것을 입증하였다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0