論文の概要: The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization

• arxiv url: http://arxiv.org/abs/2112.09045v1
• Date: Thu, 16 Dec 2021 17:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 15:48:16.434014
• Title: The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization
• Title（参考訳）: MVTec 3D-ADデータセットによる教師なし3次元異常検出と位置推定
• Authors: Paul Bergmann, Xin Jin, David Sattlegger, Carsten Steger
• Abstract要約: 教師なし異常検出と局所化のタスクのための,最初の包括的3Dデータセットを提案する。 これは、モデルが製造された製品の様々な種類の欠陥を検出する必要がある実世界の視覚検査シナリオにインスパイアされている。
• 参考スコア（独自算出の注目度）: 17.437967037670813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the first comprehensive 3D dataset for the task of unsupervised anomaly detection and localization. It is inspired by real-world visual inspection scenarios in which a model has to detect various types of defects on manufactured products, even if it is trained only on anomaly-free data. There are defects that manifest themselves as anomalies in the geometric structure of an object. These cause significant deviations in a 3D representation of the data. We employed a high-resolution industrial 3D sensor to acquire depth scans of 10 different object categories. For all object categories, we present a training and validation set, each of which solely consists of scans of anomaly-free samples. The corresponding test sets contain samples showing various defects such as scratches, dents, holes, contaminations, or deformations. Precise ground-truth annotations are provided for every anomalous test sample. An initial benchmark of 3D anomaly detection methods on our dataset indicates a considerable room for improvement.
• Abstract（参考訳）: 教師なし異常検出と局所化のための,最初の包括的3Dデータセットを提案する。 たとえ異常のないデータだけをトレーニングしても、モデルが製造製品の様々なタイプの欠陥を検知しなければならない、実世界のビジュアルインスペクションシナリオに触発されたものだ。 物体の幾何学的構造に異常として現れる欠陥がある。 これはデータの3次元表現に重大な偏りを引き起こす。 我々は高分解能な工業用3Dセンサを用いて10種類の物体の深度スキャンを行った。 すべての対象カテゴリに対して、トレーニングと検証セットを提示し、それぞれが異常のないサンプルのスキャンのみからなる。 対応するテストセットには、傷、歯列、穴、汚染、変形などの様々な欠陥を示すサンプルが含まれている。 異常なテストサンプル毎に正確な地上アノテーションが提供されている。 データセット上の3次元異常検出手法の最初のベンチマークは、改善の余地がかなりあることを示している。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Uni-3DAD: GAN-Inversion Aided Universal 3D Anomaly Detection on Model-free Products [8.696255342823896]
  モデルフリー製品におけるあらゆる種類の欠陥を識別できる,統一された,教師なしの3次元異常検出フレームワークを提案する。 本手法では,特徴に基づく検出モジュールと再構成に基づく検出モジュールの2つの検出モジュールを統合する。 その結果,提案手法は不完全形状の同定において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-29T01:46:37Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• PAD: A Dataset and Benchmark for Pose-agnostic Anomaly Detection [28.973078719467516]
  我々は,多目的異常検出データセットとPose-Agnostic Anomaly Detectionベンチマークを開発する。 具体的には、さまざまなポーズと、シミュレーションと実環境の両方で高品質で多様な3D異常を持つ20個の複合形状のレゴ玩具を用いて、MADを構築します。 また,ポーズに依存しない異常検出のために,MADを用いて訓練した新しいOmniposeADを提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:59:56Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• PKU-GoodsAD: A Supermarket Goods Dataset for Unsupervised Anomaly Detection and Segmentation [6.950686169363205]
  このデータセットは、484種類の外装品を6つのカテゴリに分けた6124個の高解像度画像を含む。 教師なしの設定に従い、通常の(欠陥のない)画像のみをトレーニングに使用する。 我々はまた、現在最先端の教師なし異常検出手法を徹底的に評価する。
  論文  参考訳（メタデータ） (2023-07-11T01:17:00Z)
• 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D Object Detection [111.32054128362427]
  安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。 トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。 我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
  論文  参考訳（メタデータ） (2021-12-09T08:50:54Z)
• Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
  単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。 本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
  論文  参考訳（メタデータ） (2021-03-30T10:38:01Z)
• ST3D: Self-training for Unsupervised Domain Adaptation on 3D ObjectDetection [78.71826145162092]
  点雲からの3次元物体検出における教師なし領域適応のための新しい領域適応型自己学習パイプラインST3Dを提案する。 当社のST3Dは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、KITTI 3Dオブジェクト検出ベンチマークで完全に監視された結果を超えます。
  論文  参考訳（メタデータ） (2021-03-09T10:51:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。