זירת AI

בדיקת השערות היררכית מבוססת מרטינגל, הניתנת להוכחה, לזיהוי חריגות חזותיות

מאת Jie Wu, Xinsong Ma, Xin Zou, Xiuwen Gong, Kaizhu Huang, Weiwei Liu · פורסם: · עודכן:

המחקר מציג את HiMT, מסגרת לקבלת החלטות בזיהוי חריגות חזותיות, המתמקדת בשאלה כיצד להפוך ציוני חשד להכרעה על תמונות ופיקסלים. בניגוד לספים הנקבעים באמצעות קבוצת כיול, המסגרת מפיקה ערכי p ממפת הציונים של התמונה הנבדקת עצמה. היא מחלקת את המפה למקטעים, צוברת ראיות באמצעות תהליך סופרמרטינגל, ומפעילה הליך בדיקות היררכי: תחילה זיהוי תמונות חריגות, ולאחר מכן איתור פיקסלים חריגים בתמונות שנבחרו. בניסויים בשלושה מאגרי נתונים ובעשרה מודלי ניקוד, השיטה השיגה ציוני F1 גבוהים מהחלופות שנבדקו ושיפרה גם מדדי הפרדה. לדוגמה, עם DMAD ב־MVTec התקבל שיפור של 56.1 נקודות אחוז ברמת התמונה ושל 20.2 ברמת הפיקסל לעומת ATCS. המחברים מציגים הבטחות לשליטה בשיעור התגליות השגויות, אך אלה תלויות בהנחות עצמאות ותלות חיובית, ויש פערים בהצדקת חלק מהמעברים התאורטיים. לכן התרומה האמפירית מבטיחה, אך אינה מבססת חסינות כללית לשינויי התפלגות.

יישומי המאמר

במערכת לבקרת איכות, מודל ראייה מספק בדרך כלל ציון חשד לכל תמונה ולכל אזור בה, אך עדיין צריך להחליט מאיזה ציון מדובר בפגם. HiMT מציעה שכבת החלטה שאפשר להוסיף למודלים קיימים, בלי לתכנן מחדש את המודל שמחשב את ציוני החריגות. היתרון המעשי הוא צמצום התלות בסף שנקבע באמצעות מאגר כיול נפרד. כאשר ציוני תמונות הייצור שונים מציוני תמונות הכיול, סף קבוע עלול להוביל לפסילות שגויות או להחמצת פגמים. השיטה משתמשת במפת הציונים של התמונה הנבדקת עצמה כדי להפיק ראיות סטטיסטיות. ההחלטה ההיררכית מונעת מצב שבו המערכת מסמנת פיקסלים כפגומים בתוך תמונה שהוכרזה תקינה. עם זאת, לפני שימוש תעשייתי או בטיחותי יש לבדוק את הנחות השיטה ואת שיעורי הטעות בתנאי העבודה בפועל; הניסויים במאמר נערכו במאגרי בדיקה תעשייתיים, ולא הוכיחו אמינות בכל שינוי סביבתי אפשרי.

פירוט המאמר

מטרת המחקר והבעיה

זיהוי חריגות חזותיות כולל שתי משימות: קביעה אם תמונה מכילה חריגה ואיתור הפיקסלים המרכיבים אותה. מרבית המחקרים משפרים את המודל שמפיק ציוני חריגות, אך משאירים את ההכרעה הבינרית לסף אמפירי. המאמר טוען ששלב זה ראוי למסגרת סטטיסטית נפרדת, במיוחד ביישומים שבהם התרעות שווא והחמצות כרוכות בעלויות. המחברים מדגימים הבדלים בין התפלגות ציוני הכיול לציוני הבדיקה, וגם בין פיקסלים תקינים בתמונות תקינות לפיקסלים תקינים בתמונות פגומות. הפתרון המוצע, Hierarchical Martingale-based Testing או HiMT, מתייחס לכל תמונה ולכל פיקסל כהשערת אפס של תקינות. דחיית ההשערה פירושה הכרזה על חריגה. במקום להסתמך על סף ציונים שנלמד מקבוצת כיול, המסגרת משלבת בניית ערכי p מתוך התמונה עצמה עם הליך בדיקות מרובות המנצל את המבנה ההיררכי של הנתונים. מדובר בשכבת החלטה המתחברת לפונקציית ניקוד קיימת, ולא במודל חדש לחילוץ תכונות או ללמידת מראה תקין.

בניית הראיות מתוך התמונה

הרכיב הראשון, MPC, מקבל מפת ציוני חריגות וציון נבדק, שיכול לייצג תמונה שלמה או פיקסל. המפה מחולקת למקטעים שאינם חופפים. בכל מקטע מחושב שיעור הציונים הנמוכים מהציון הנבדק, עם אקראיות לטיפול בשוויון בין ציונים. כך מתקבלת סדרת משתנים המבטאת עד כמה הציון גבוה ביחס לאזורים שונים באותה תמונה. עבור תמונות פגומות נדרשת הנחה נוספת על היחס בין תרומת הפיקסלים התקינים לתרומת הפיקסלים החריגים לסטטיסטיקה. המחברים מפעילים על המשתנים פונקציית הימור חיובית, קעורה ולא־יורדת, שהאינטגרל שלה בקטע היחידה שווה לאחת. מכפלת ערכי הפונקציה לאורך המקטעים אמורה ליצור סופרמרטינגל בדיקה: תהליך שאינו גדל בתוחלת מותנית כאשר השערת התקינות נכונה. ערך p מתקבל כהופכי של הערך המרבי שאליו הגיע התהליך, כולל ערך ההתחלה אחת. אי־שוויון Ville מספק את הבסיס לתקפות ההמרה, בתנאי שהתהליך אכן מקיים את תכונת הסופרמרטינגל.

החלטה היררכית ומשמעות בקרת השגיאות

הרכיב השני, HiBH, מפעיל תחילה את הליך Benjamini–Hochberg על ערכי ה־p של התמונות. בדיקות פיקסלים מתבצעות רק בתוך תמונות שנבחרו כחריגות, באמצעות BH נוסף לכל תמונה. המבנה מונע סתירה שבה תמונה מוגדרת תקינה אך חלק מפיקסליה מסומנים כחריגים. מנגד, חריגה מקומית עלולה להיעלם אם התמונה כולה לא עברה את שלב הסינון. המחברים מציגים משפטים לשליטה ב־FDR, התוחלת של שיעור הזיהויים השגויים מתוך כלל הזיהויים החיוביים. ברמת התמונה הבקרה מתייחסת למשפחת התמונות; ברמת הפיקסל היא מנוסחת לכל תמונה בנפרד. נוסף לכך מוצג חסם לממוצע שיעורי השגיאה הפיקסליים על פני התמונות. חשוב להבחין בין גדלים אלה לבין שיעור שגיאות המאוחד של כל הפיקסלים במאגר, שאינו מובטח כאן, וכן בין FDR לבין שיעור החיוביים השגויים מתוך הדוגמאות התקינות.

מערך הניסויים והתוצאות

ההערכה כוללת את MVTec, VisA ו־BTAD ועשרה מודלי ניקוד, ובהם PatchCore, ReContrast, DMAD, Dinomaly ו־AnomalyGPT. ההשוואה נעשית מול סף אמפירי ושלוש שיטות התאמת סף: ATT, ATH ו־ATCS. התמונות הוקטנו ל־256 על 256 פיקסלים, ורמות הבקרה בשתי הרמות נקבעו ל־0.05. נמדדו F1, דיוק, רגישות ושיעור חיוביים שגויים, ולצד אלה AUROC ו־AUPRO להערכת הפרדה ללא סף החלטה יחיד. בטבלאות ההכרעה HiMT משיגה את ציוני ה־F1 הגבוהים בכל שילובי המודל והמאגר המדווחים. עם DMAD ב־MVTec, F1 ברמת התמונה עולה מ־39.0% ב־ATCS ל־95.1%, וברמת הפיקסל מ־34.8% ל־55.0%. אלה הפרשים של נקודות אחוז, ולא שיעורי שיפור יחסיים. עם ReContrast מתקבלים ציוני F1 ברמת התמונה של 97.6%, 91.9% ו־92.1% בשלושת המאגרים. עם זאת, בחלק מהתצורות שיעור החיוביים השגויים נותר גבוה מאוד, ולכן F1 גבוה אינו מעיד לבדו על אמינות תפעולית. המרת ערכי ה־p לציוני חריגות באמצעות אחד פחות ערך p שיפרה את מדדי ההפרדה בטבלאות שנבדקו. לדוגמה, ב־MVTec עם PatchCore, מדד AUPRO הפיקסלי עלה מ־55.88% ל־76.58%. זמן הריצה המדווח של HiMT היה כ־178–180 מילישניות בתצורות שנבדקו: מהיר מהשיטות ההסתגלותיות, אך איטי מסף אמפירי פשוט. ניסויי אבלציה הצביעו על יציבות מקומית סביב רמות בקרה של 0.05 ועל תלות מתונה במספר המקטעים; איכות מודל הניקוד נותרה גורם מרכזי בביצועים.

מגבלות והערכת התרומה

ההבטחות התאורטיות דורשות זהירות. בניית הסופרמרטינגל מניחה עצמאות משותפת בין הסטטיסטיקות של המקטעים, אף שהן משתמשות באותו ציון נבדק ובאותה תמונה. בדיקות HSIC זוגיות שלא דחו עצמאות אינן מוכיחות הנחה זו. בנוסף, המעבר מהתפלגות ציון של פיקסל תקין לציון תמונה מצריך הצדקה, והוכחת התלות החיובית בין ערכי ה־p אינה מטפלת במפורש במקסימום לאורך התהליך המשמש באלגוריתם. גם הטענה לבקרת FDR מותנית בתוך תמונות שנבחרו אינה נובעת ישירות ממשפט BH הרגיל, משום שהבחירה נשענת על מידע מאותה תמונה. ניתן להצדיק בקרה בלתי־מותנית מסוימת באמצעות העובדה שהסינון מאפס גילויים בתמונות שלא נבחרו, אך החסם המותנה והחסם המתחזק לפי שיעור הבחירה דורשים הצדקה נוספת. בסיכום, המחקר מציע שכבת החלטה שימושית עם תוצאות אמפיריות חזקות, אך הימנעות מכיול נפרד אינה מוכיחה חסינות לכל שינוי התפלגות, וההבטחות הסטטיסטיות מחייבות אימות נוסף לפני פריסה רגישה.

היילייטס

  • HiMT מוסיפה שכבת החלטה למודלי זיהוי חריגות קיימים, ומפיקה ערכי p מתוך התמונה הנבדקת ללא קבוצת כיול נפרדת בשלב ההחלטה.
  • עם DMAD ב־MVTec, ציון F1 עלה מ־39.0% ל־95.1% ברמת התמונה ומ־34.8% ל־55.0% ברמת הפיקסל לעומת ATCS: שיפורים של 56.1 ו־20.2 נקודות אחוז.
  • ההליך ההיררכי בודק פיקסלים רק בתמונות שהוכרזו חריגות, וכך מבטיח עקביות בין ההכרעה הכוללת לבין הסימון המקומי.
  • ההבטחות הסטטיסטיות מותנות בהנחות מהותיות; אי־דחיית עצמאות בבדיקות זוגיות אינה מוכיחה עצמאות משותפת, והניתוח אינו מבסס שליטה בשיעור השגיאות המאוחד של כלל הפיקסלים.

שאלות נפוצות

כיצד HiMT משפרת קבלת החלטות בזיהוי פגמים בתמונות?

HiMT היא שכבת החלטה סטטיסטית שהופכת ציוני חריגות של מודל ראייה להכרעה: האם התמונה פגומה, ואילו פיקסלים בה חריגים. אפשר להוסיף אותה למודלי ניקוד קיימים, בלי לתכנן מחדש את המודל. במקום להסתמך על סף שנקבע באמצעות קבוצת כיול נפרדת, היא מפיקה ערכי p ממפת הציונים של התמונה הנבדקת ומפעילה בדיקות השערות היררכיות.

מדוע סף קבוע לזיהוי חריגות עלול להיכשל בבקרת איכות?

סף שנקבע על סמך תמונות כיול עלול לא להתאים לתמונות הייצור כאשר התפלגות הציונים משתנה. התוצאה יכולה להיות פסילת מוצרים תקינים או החמצת פגמים. HiMT מצמצמת את התלות בכיול נפרד בשלב ההחלטה באמצעות שימוש במידע מתוך התמונה הנבדקת עצמה. עם זאת, אין בכך הוכחה לחסינות מפני כל שינוי בתאורה, בסביבת הצילום או בתנאי הייצור.

מהי השפעת HiMT על ביצועי זיהוי הפגמים בפועל?

בניסויים בשלושה מאגרים תעשייתיים — MVTec, VisA ו־BTAD — ובעשרה מודלי ניקוד, HiMT השיגה את ציוני ה־F1 הגבוהים ביותר בכל שילובי המודל והמאגר המדווחים, לעומת החלופות שנבדקו. לדוגמה, עם DMAD ב־MVTec, ציון F1 עלה מ־39.0% ל־95.1% ברמת התמונה ומ־34.8% ל־55.0% ברמת הפיקסל לעומת ATCS. אלה שיפורים של 56.1 ו־20.2 נקודות אחוז, בהתאמה. עם זאת, בחלק מהתצורות נותר שיעור גבוה של חיוביים שגויים, ולכן F1 גבוה לבדו אינו מבטיח אמינות תפעולית.

כיצד HiMT מפיקה ערכי p מתוך התמונה ללא קבוצת כיול נפרדת?

רכיב MPC מחלק את מפת ציוני החריגות למקטעים שאינם חופפים, ובכל מקטע בוחן את מיקומו היחסי של הציון הנבדק מול ציוני המקטע. הראיות נצברות באמצעות פונקציית הימור לתהליך שנועד להיות סופרמרטינגל תחת השערת התקינות. ערך ה־p מחושב כהופכי של הערך המרבי שאליו הגיע התהליך, כולל ערך ההתחלה אחת. תקפות ההמרה נשענת על אי־שוויון Ville, ומותנית בכך שהתהליך אכן מקיים את ההנחות הנדרשות.

מדוע לבדוק פיקסלים רק בתמונות שכבר זוהו כחריגות?

בדיקה היררכית מבטיחה עקביות בין ההחלטה על התמונה כולה לבין סימון הפגמים בתוכה. רכיב HiBH מפעיל תחילה את הליך Benjamini–Hochberg על ערכי ה־p של התמונות, ורק בתמונות שנבחרו כחריגות מפעיל בדיקות נוספות ברמת הפיקסל. כך נמנע מצב שבו תמונה מוכרזת תקינה אך מכילה פיקסלים המסומנים כפגומים. המחיר הוא שחריגה מקומית עלולה שלא להתגלות אם התמונה לא עברה את הסינון הראשוני.

האם HiMT מבטיחה שליטה בשיעור התגליות השגויות?

ההבטחות לשליטה ב־FDR מותנות בהנחות סטטיסטיות, ובהן עצמאות בין סטטיסטיקות המקטעים ותנאי תלות חיובית מתאימים. FDR הוא התוחלת של שיעור הזיהויים השגויים מתוך כלל הזיהויים החיוביים — לא שיעור התרעות השווא מתוך הדוגמאות התקינות. בנוסף, הבקרה המתוארת ברמת הפיקסל אינה מבטיחה שליטה בשיעור התגליות השגויות המאוחד של כלל הפיקסלים במאגר. בשל פערים בהצדקת חלק מהמעברים התאורטיים, יש לאמת את ההנחות ואת שיעורי הטעות בתנאי העבודה לפני פריסה תעשייתית או בטיחותית.

מחקרים קשורים