비전 스터디

Anomaly Detection

이상 탐지는 데이터셋에서 정상적인 행동이나 예상되는 패턴에서 크게 벗어난 데이터 포인트, 이벤트, 또는 관찰값을 식별하는 과정입니다. 이러한 이상치들은 오류, 사기, 비정상적인 활동, 또는 추가 조사가 필요한 흥미로운 패턴을 나타낼 수 있습니다.

1. Supervised Anomaly Detection
   
   • 정상 / 비정상 label을 이용해 학습하는 방식
2. Semi-supervised Anomaly Detection
   • 정상 label을 이용해 학습하는 방식
3. Unsupervised Anomaly Detection
   • label없이 학습하는 방식

Classification

주어진 데이터를 미리 정해진 class 별로 구분하는 기술, 객체가 얼마나 class에 근접한지는 판단하지 않고, 분류만 한다.

Detection

이미지에서 특정한 객체를 탐지하는 기술 박스형으로 객체를 탐지하고 구분한다.

Segmentation

이미지에서 유사한 영역을 클래스 별로 그룹화 하는 기술, 이미지를 영역으로 분리하고, 해당 영역을 의미있는 클래스별로 정한다.

 

thresholding

pixel을 두 class로 나누기 위한 개념. 더 큰 값을 가지면 1, 작은 값을 가지면 0으로 설정

 

mIoU

Iou가 가지는 값의 평균값, IoU는 모델이 얼마나 detection을 정확히 했는지 정확도를 측정할 수 있다.

 

 

 

		실제 결과
		True	False
분류결과	True	True Positive	False Positive
	False	False Negative	True Negative

분류성능평가지표

• 정확도(Accuracy)
  • 전체 예측 중 올바르게 분류한 비율, ( TP + TN ) / ( TP + TN + FP + FN )
• 정밀도(Precision)
  • 양성으로 예측한 항목 중 실제로 양성인 비율, TP / ( TP + FP )
• 재현율(Recall)
  • 실제 양성 중 양성으로 예측한 비율, TP / ( TP + FN )
• F1
  • 정밀도와 재현율의 조화평균, 2 * ( Precision * Recall ) / ( Precision + Recall )