Transitor Anomaly Detection AI Competition

본 프로젝트는 사전 학습된 ResNet-50 신경망을 활용해 이미지에서 특징 벡터를 추출하고, 이를 기반으로 K-Means 클러스터링을 수행하여 정상 데이터의 대표 집합(Memory Bank)을 구축했다. 테스트 이미지들은 Memory Bank의 중심점과의 최소 유클리드 거리를 계산해 이상 점수를 산출하며, 상위 10% 점수를 임계값으로 하여 이상 여부를 판정한다.

독립변수(Feature)는 ResNet-50이 추출한 2048차원 이미지 특징 벡터이며, 종속변수(Label)는 각 이미지의 이상 여부(0: 정상, 1: 이상)이다. Memory Bank 중심과의 거리는 이상 점수로 사용되어, 정상 데이터와의 유사도가 낮을수록 이상 점수가 높아진다. 변수 간 상관관계는 비선형 특징 공간에서 유클리드 거리로 간접 측정되며, 클러스터 중심과의 거리가 이상 탐지의 핵심 지표다.

이 방법은 복잡한 분포를 가진 정상 데이터 내 대표 패턴을 학습해, 테스트 데이터가 이 패턴에서 벗어날 때 이상으로 판단하는 비지도 학습 기반 이상 탐지 방식이다. 임계값 설정은 경험적 분포에 기반해 이상 판단 민감도를 조절한다. 이 과정은 이미지 데이터의 고차원 특징을 효과적으로 활용하여 정확한 이상 탐지를 가능케 한다.