Memory Efficient Continual Learning for Edge-Based Visual Anomaly Detection
Created by
- Haebom
Category
Empty
저자
Manuel Barusco, Lorenzo D'Antoni, Davide Dalle Pezze, Francesco Borsatti, Gian Antonio Susto
개요
본 논문은 자원 제약이 있는 에지 디바이스 상에서의 지속적 학습 기반 시각적 이상 탐지(CLAD) 문제에 대한 새로운 연구를 제시합니다. 메모리 사용량이 적은 STFPM 접근 방식과 Replay 기법의 조합을 평가하고, 에지 디바이스에 적합하도록 설계되었지만 지속적 학습 환경에서는 아직 연구되지 않은 PaSTe 접근 방식의 성능을 분석합니다. 실험 결과, PaSTe는 STFPM보다 경량화되었을 뿐만 아니라 Replay 기법과 함께 사용 시 f1 pixel 성능을 10% 향상시키는 우수한 이상 탐지 성능을 보였습니다. 특히 PaSTe의 구조는 압축된 Replay 기법을 적용하여 기존 Replay 방식 대비 최대 91.5%의 메모리 오버헤드 감소를 가능하게 합니다. 결론적으로 본 연구는 자원 제약이 있는 에지 디바이스에서 점진적으로 적응하고 학습하는 VAD 모델의 배포 가능성을 입증합니다.
시사점, 한계점
•
시사점:
◦
에지 디바이스에서의 CLAD 문제에 대한 효과적인 해결 방안 제시.
◦
PaSTe 알고리즘의 우수한 경량성 및 성능 확인.
◦
압축된 Replay 기법을 통한 메모리 효율성 증대.
◦
자원 제약 환경에서의 VAD 모델 배포 가능성 증명.
•
한계점:
◦
특정 에지 디바이스 환경에 대한 평가 결과만 제시되어 일반화 가능성에 대한 추가 연구 필요.
◦
사용된 데이터셋과 이상 유형에 대한 한계. 다양한 데이터셋 및 이상 유형에 대한 추가 실험 필요.
◦
압축된 Replay 기법의 성능 저하에 대한 추가 분석 필요.
