論文の概要: Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples

• arxiv url: http://arxiv.org/abs/2210.17258v1
• Date: Mon, 31 Oct 2022 12:29:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 17:53:26.456466
• Title: Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples
• Title（参考訳）: 正規サンプルが少ない3次元点雲異常検出のための教師学習ネットワーク
• Authors: Jianjian Qin, Chunzhi Gu, Jun Yu, Chao Zhang
• Abstract要約: 教師による3次元異常検出のための構造化モデルの設計を行う。 具体的には、特徴空間アライメント、次元ズーム、最大プールを用いて点雲の特徴を抽出する。 本手法では,学生ネットワークを学習するために,ごくごく普通のサンプルしか必要としない。
• 参考スコア（独自算出の注目度）: 21.358496646676087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection, which is a critical and popular topic in computer vision, aims to detect anomalous samples that are different from the normal (i.e., non-anomalous) ones. The current mainstream methods focus on anomaly detection for images, whereas little attention has been paid to 3D point cloud. In this paper, drawing inspiration from the knowledge transfer ability of teacher-student architecture and the impressive feature extraction capability of recent neural networks, we design a teacher-student structured model for 3D anomaly detection. Specifically, we use feature space alignment, dimension zoom, and max pooling to extract the features of the point cloud and then minimize a multi-scale loss between the feature vectors produced by the teacher and the student networks. Moreover, our method only requires very few normal samples to train the student network due to the teacher-student distillation mechanism. Once trained, the teacher-student network pair can be leveraged jointly to fulfill 3D point cloud anomaly detection based on the calculated anomaly score. For evaluation, we compare our method against the reconstruction-based method on the ShapeNet-Part dataset. The experimental results and ablation studies quantitatively and qualitatively confirm that our model can achieve higher performance compared with the state of the arts in 3D anomaly detection with very few training samples.
• Abstract（参考訳）: 異常検出(英: Anomaly detection)は、コンピュータビジョンにおいて重要で一般的なトピックであり、正常な(非異常な)サンプルとは異なる異常なサンプルを検出することを目的としている。 現在の主流の手法は画像の異常検出に重点を置いているが、3Dポイントクラウドにはほとんど注目されていない。 本稿では,教師・生徒の知識伝達能力と,近年のニューラルネットワークの特徴抽出能力から着想を得た3次元異常検出のための教師・学生構造モデルを提案する。 具体的には,特徴空間アライメント,次元拡大,最大プーリングを用いてポイントクラウドの特徴を抽出し,教師と学生ネットワークが生成する特徴ベクトル間のマルチスケール損失を最小化する。 また,本手法では,教師・学生の蒸留機構により,学生のネットワークを訓練するためのサンプルはごくわずかである。 トレーニングが完了すると、教師と学生のネットワークペアを併用して、計算された異常スコアに基づいて3次元点雲異常検出を実現する。 評価のために,ShapeNet-Partデータセットの再構成手法との比較を行った。 実験結果とアブレーション研究により,本モデルが3次元異常検出における技量よりも高い性能を達成できることを定量的に,定性的に確認した。

関連論文リスト

• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• StarNet: Style-Aware 3D Point Cloud Generation [82.30389817015877]
  StarNetは、マッピングネットワークを使用して高忠実度および3Dポイントクラウドを再構築し、生成することができる。 我々のフレームワークは、クラウドの再構築と生成タスクにおいて、様々なメトリクスで同等の最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2023-03-28T08:21:44Z)
• EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies [1.1602089225841632]
  本稿では,最新のGPU上で1ミリ秒未満で画像を処理する軽量な特徴抽出器を提案する。 次に,生徒-教員のアプローチを用いて異常な特徴を検出する。 3つの産業的異常検出データセットから抽出した32個のデータセットからEfficientADという手法を評価した。
  論文  参考訳（メタデータ） (2023-03-25T18:48:33Z)
• Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
  接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。 近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。 本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
  論文  参考訳（メタデータ） (2023-01-07T20:55:16Z)
• Asymmetric Student-Teacher Networks for Industrial Anomaly Detection [22.641661538154054]
  本研究は,学生・教員による異常検出手法の既知の問題点を明らかにする。 2つのニューラルネットワークがトレーニングされ、欠陥のないトレーニング例で同じ出力を生成する。 本手法は, MVTec AD と MVTec 3D-AD の2つの現在最も関連性の高い欠陥検出データセットに対して, 最先端の結果を生成する。
  論文  参考訳（メタデータ） (2022-10-14T13:56:50Z)
• Anomaly Detection in 3D Point Clouds using Deep Geometric Descriptors [7.462336024223669]
  高分解能3次元点雲における幾何異常の教師なし検出のための新しい手法を提案する。 学生ネットワークは、異常のない点雲上の事前訓練された教師ネットワークの出力と一致するように訓練される。 提案手法は,性能,実行時間,メモリ消費に関する実用的なアプリケーション要件を満たす。
  論文  参考訳（メタデータ） (2022-02-23T18:07:51Z)
• 3D Point Cloud Completion with Geometric-Aware Adversarial Augmentation [11.198650616143219]
  本稿では,3Dポイントクラウド完了タスクにおけるニューラルネットワークの性能向上を図ることを目的とした。 本稿では, クリーンサンプルと逆サンプルの両方の性能向上に寄与する, 逆サンプルを生成する新しい手法を提案する。 実験結果から,本手法により作製した逆方向サンプルを用いたトレーニングは,ShapeNetデータセット上でのPCNの性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2021-09-21T13:16:46Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Distance-Based Anomaly Detection for Industrial Surfaces Using Triplet Networks [2.7173993697663086]
  表面異常検出はスクラップ生産を減らすために多くの製造業において重要な品質管理の役割を担っている。 ディープラーニング畳み込みニューラルネットワーク(CNN)は、これらの画像処理ベースのソリューションの最前線にある。 本稿では,この課題に対して,距離に基づく異常検出を目標とした表面テクスチャパッチ上でCNNをトレーニングすることで対処する。
  論文  参考訳（メタデータ） (2020-11-09T00:35:21Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。