Meta Aprendizado para Detecção de Anomalia em Imagens
Redes Neurais, Detecção de Anomalias, Meta Learning
A detecção de anomalias é uma tarefa crucial, tem um enorme impacto na
sociedade e no bem-estar das pessoas. Considerada um problema desafiador,
uma vez que a definição de ‘anomalia’ é ambígua, ou seja, qualquer evento
que não esteja em conformidade com um comportamento considerado ‘normal’
pode ser visto como uma anomalia. Como exemplo, algumas situações
enfrentadas diariamente em que algo é ‘anormal’ ou fora do comum: um
acidente de trânsito; doenças; uma transação no cartão de crédito suspeita
e assim por diante. Apesar dos grandes avanços em trabalhos recentes na
detecção automática de anomalias e na área de Redes Neurais Profundas, tais modelos ainda demandam uma grande quantidade de dados para que se tire proveito de sua expressividade e desempenho. Sendo assim, o presente
trabalho apresenta uma nova abordagem para a detecção semi-supervisionada de anomalias, quando somente de amostras ‘normais’ são consideradas no treinamento, bem como somente alguns exemplos estão disponíveis. Usando técnicas de meta-aprendizado, em particular MAML, a abordagem proposta é comparada com outros algoritmos na base de dados MVTec AD e demonstrou resultados promissores em tarefas de detecção de anomalias em objetos nunca vistos em treinamento.