異常領域検出タスクは「正常画像のみを学習、その結果から未知の異常領域を検出する」とのことですが、こちらは親タスクとして領域検出（対象物）が必要なのでしょうか。
また、学習に正常画像が最低30枚必要とのことですが、全く同じ画像でも良いのでしょうか。
親タスクに領域検出(対象物検出)がなくても使うことは可能ですが、
対象物検出を親タスクに置き、位置合わせをすることで精度を大幅に向上できるケースがあります。
⇒ 位置ズレが発生しそうな対象の場合は、親タスクに位置合わせ用のタスクを置くのがベターです。
全く同じ画像でも良いかというご質問についてですが
全く同じ画像だと精度が出ない可能性が高いので、別の画像の方が良いです。
同じ正常サンプルを90度回転させて画像数を増やすことで、光学条件の異なる画像を集めることができると思いますので、正常サンプルが少ない場合にはそのような形が良いと思います。
なお、MENOU-TEの異常領域検出タスクは良品画像が100枚以上あると精度が上がりやすくなっております。
ありがとうございます。
親タスクに対象物検出用の領域検出タスクを置き、
異常領域検出タスクで90度回転や撮像内の一部文字が異なる正常サンプルと正常サンプルが少なかったため、残りは全く同じ画像で学習をしました。（学習使用：30枚）
結果が、学習に使用した画像含め全ての画像においてワーク全体がもやもやとした感じでヒートマップされ「検出あり」となりました。
なにか設定に問題があるのでしょうか。
一番の原因は、学習データが少ないことだと思われますが
現状のデータ数でアプローチするアイデアを記載させていただきます！
異常領域検出タスク(良品学習)では、良品データが多ければ多いほど精度が上がりやすいので
少ないときは、擬似的にデータ拡張を行うことで精度向上させることができる可能性があります。
「データ拡張回数」を初期値から6以上に設定することで試してみてください。
⇒学習自動生成パラメータ設定値に従って、30画像を、30x6 = 180 画像に拡張する形になります。
また、学習自動生成パラメータを最適化することでも精度を上げられる可能性があります。
例えば、良品は印字されている向きが一緒な場合、回転パラメータは小さくしないと
実際には存在しないデータが生成されてしまい良品ではない画像を良品として学習してしまうリスクが発生します。
ありがとうございます。やはり学習データが少ないのですね。
データ拡張回数と回転パラメータを変えてみます。
ありがとうございました。
横から失礼いたします。
従来の教師あり学習ではエポック数を設定して学習を行うのに対して、
異常領域検出の場合はデータ拡張回数を設定して学習しますが、
学習のさせ方はどのように違うのでしょうか？
教師あり学習(分類・領域検出)の方は
設定した各エポック毎にモデルのパラメータ更新が行われ、繰り返す毎に精度が向上していくのに対し
教師なし学習(異常領域検出)は
指定したデータ拡張数分、事前に良品データの画像数を擬似的に拡張し
そのデータ全ての特徴量から良品の特徴を学習して異常な領域を検知するようになっております。
ご教示ありがとうございます。
理解できました。