대조 학습 프롬프트를 이용한 비지도 연속 이상 탐지

점진적 학습을 통한 비지도 이상 탐지(UAD)는 산업 제조에서 매우 중요합니다. 예측 불가능한 결함으로 인해 충분한 레이블 데이터 확보가 불가능하기 때문입니다. 그러나 연속 학습 방법은 주로 지도 주석에 의존하며, UAD에서의 적용은 감독 부재로 인해 제한적입니다. 현재 UAD 방법은 서로 다른 클래스를 위해 별도의 모델을 순차적으로 학습시키는데, 이로 인해 치명적인 망각과 막대한 계산 부담이 발생합니다. 이러한 문제를 해결하기 위해, 우리는 대조 학습 프롬프트를 통해 UAD에 연속 학습 기능을 부여하는 새로운 비지도 연속 이상 탐지 프레임워크인 UCAD를 소개합니다. 제안된 UCAD에서는 간결한 키-프롬프트-지식 메모리 뱅크를 활용하여 과제 불변 '이상' 모델 예측을 위한 지속적 프롬프트 모듈(CPM)을 설계합니다. 또한 구조 기반 대조 학습(SCL)은 프롬프트 학습과 이상 분할 결과를 개선하기 위해 세그먼트 아무거나 모델(SAM)과 함께 설계되었습니다. 구체적으로, SAM의 마스크를 구조로 취급하여 같은 마스크 내에서 특징을 더 가깝게 하고 다른 특징은 멀어지게 하여 일반적 특징 표현을 생성합니다. 우리는 포괄적인 실험을 수행하고 비지도 연속 이상 탐지 및 분할에 대한 기준을 설정하여, 우리 방법이 심지어 리허설 학습을 포함하더라도 이상 탐지 방법보다 유의미하게 우수함을 입증합니다. 코드는 https://github.com/shirowalker/UCAD에서 사용할 수 있습니다.