InCLAD: A Continual Learning Benchmark for Industrial Visual Anomaly Detection

{"tags": ["Continual Learning", "Industrial Anomaly Detection", "Computer Vision", "Benchmark", "Task-Incremental Learning", "Defect Localization"], "risks": ["Nguy cơ quên lãng thảm khốc làm giảm hiệu suất phát hiện lỗi trên các linh kiện cũ khi học thêm linh kiện mới.", "Thiết lập bán giám sát (chỉ dùng dữ liệu bình thường) có thể gặp khó khăn khi phân phối bất thường giữa các linh kiện quá dị biệt.", "Độ lệch miền dữ liệu (domain shift) lớn trong các kịch bản liên tập dữ liệu (cross-dataset) có thể gây bất ổn định trong quá trình thích ứng mô hình."], "category": "Research", "entities": ["InCLAD"], "summary_vi": "InCLAD là một benchmark học liên tục (continual learning) mới dành cho bài toán phát hiện dị thường thị giác công nghiệp. Khác với các benchmark truyền thống vốn chỉ đánh giá tĩnh trên từng tập dữ liệu độc lập, InCLAD mô hình hóa quá trình triển khai thực tế dưới dạng bài toán task-incremental bán giám sát (semi-supervised), trong đó mỗi linh kiện công nghiệp là một tác vụ được đưa vào tuần tự. Benchmark cung cấp nhiều kịch bản đa dạng (ngẫu nhiên, từ dễ đến khó, từ khó đến dễ, đơn và đa tập dữ liệu) và đánh giá toàn diện ở cả hai cấp độ: phát hiện dị thường toàn ảnh và định vị dị thường cấp điểm ảnh, mở đường cho việc nghiên cứu khả năng lưu giữ tri thức và thích ứng trong môi trường sản xuất biến động.", "key_changes": ["Định hình lại bài toán phát hiện dị thường công nghiệp từ train/test tĩnh sang benchmark học liên tục dạng task-incremental bán giám sát.", "Mỗi linh kiện công nghiệp được xác định là một tác vụ (task) riêng biệt được nạp tuần tự cho mô hình.", "Thiết lập nhiều kịch bản học liên tục thực tế: ngẫu nhiên (random), từ dễ đến khó (easy-to-hard), từ khó đến dễ (hard-to-easy), áp dụng cho cả kịch bản đơn tập dữ liệu và xuyên nhiều tập dữ liệu (cross-dataset).", "Đánh giá toàn diện năng lực học liên tục qua hai góc độ bổ trợ: phát hiện dị thường cấp ảnh (image-level detection) và định vị dị thường cấp điểm ảnh (pixel-level localization)."], "sub_category": "Continual Learning & Visual Anomaly Detection", "novelty_score": 78, "business_score": 75, "research_score": 85, "why_it_matters": "Trong thực tế sản xuất công nghiệp, dây chuyền kiểm định chất lượng thường xuyên phải tiếp nhận các linh kiện hoặc sản phẩm mới. Các hệ thống hiện tại hoặc yêu cầu nhãn lỗi đầy đủ (rất tốn kém), hoặc phải huấn luyện lại từ đầu gây gián đoạn và tốn tài nguyên. InCLAD cung cấp nền tảng chuẩn hóa giúp cộng đồng nghiên cứu và kỹ sư đánh giá chính xác khả năng giữ lại kiến thức cũ đồng thời thích ứng với linh kiện mới của các mô hình phát hiện dị thường bán giám sát.", "developer_score": 72, "importance_score": 75, "possible_use_cases": ["Đánh giá và phát triển các hệ thống kiểm tra ngoại quan tự động (AOI) trong dây chuyền sản xuất cần bổ sung sản phẩm mới liên tục.", "Nghiên cứu giải pháp hạn chế quên lãng thảm khốc (catastrophic forgetting) cho các mô hình bán giám sát (semi-supervised models).", "Tối ưu hóa quy trình triển khai mô hình thị giác máy tính trong nhà máy mà không cần huấn luyện lại từ đầu cho toàn bộ danh mục linh kiện cũ."], "actionability_score": 70}