論文の概要: PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using
Local-Global Features
- arxiv url: http://arxiv.org/abs/2403.01804v1
- Date: Mon, 4 Mar 2024 07:51:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:35:01.821828
- Title: PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using
Local-Global Features
- Title（参考訳）: pointcore: ローカルグローバル機能を用いた非教師なし雲異常検出装置
- Authors: Baozhu Zhao, Qiwei Xiong, Xiaohan Zhang, Jingfeng Guo, Qi Liu, Xiaofen
Xing, Xiangmin Xu
- Abstract要約: 我々は、PointCoreと呼ばれる、共同でローカル・グローバルな特徴に基づく、教師なしのポイントクラウド異常検出フレームワークを提案する。
具体的に言うと、PointCoreはローカル(コーディネート)とグローバル(PointMAE)表現を保存するために、単一のメモリバンクしか必要としない。
Real3D-ADデータセットの実験では、PointCoreは検出とローカライゼーションの両方において、競合する推論時間と最高のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 18.32982981001087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Three-dimensional point cloud anomaly detection that aims to detect anomaly
data points from a training set serves as the foundation for a variety of
applications, including industrial inspection and autonomous driving. However,
existing point cloud anomaly detection methods often incorporate multiple
feature memory banks to fully preserve local and global representations, which
comes at the high cost of computational complexity and mismatches between
features. To address that, we propose an unsupervised point cloud anomaly
detection framework based on joint local-global features, termed PointCore. To
be specific, PointCore only requires a single memory bank to store local
(coordinate) and global (PointMAE) representations and different priorities are
assigned to these local-global features, thereby reducing the computational
cost and mismatching disturbance in inference. Furthermore, to robust against
the outliers, a normalization ranking method is introduced to not only adjust
values of different scales to a notionally common scale, but also transform
densely-distributed data into a uniform distribution. Extensive experiments on
Real3D-AD dataset demonstrate that PointCore achieves competitive inference
time and the best performance in both detection and localization as compared to
the state-of-the-art Reg3D-AD approach and several competitors.
- Abstract（参考訳）: トレーニングセットから異常データポイントを検出することを目的とした3次元ポイントクラウド異常検出は、産業検査や自動運転など、さまざまなアプリケーションの基盤となる。
しかし、既存のポイントクラウド異常検出手法では、ローカル表現とグローバル表現を完全に保存するために複数の特徴記憶バンクが組み込まれていることが多い。
そこで本研究では,ローカル・グローバル機能に基づく教師なしクラウド異常検出フレームワークであるpointcoreを提案する。
具体的に言うと、pointcoreは、ローカル(座標)とグローバル(ポイントメイ)表現を格納する単一のメモリバンクと、これらのローカルグローバル特徴に異なる優先度を割り当てるだけで、計算コストと推論の不一致を低減できる。
さらに, 異常値に対するロバスト化には, 異なるスケールの値を概念的に共通なスケールに調整するだけでなく, 密度分布データを均一な分布に変換する正規化ランキング法が導入された。
Real3D-ADデータセットに関する大規模な実験は、PointCoreが最先端のReg3D-ADアプローチやいくつかの競合と比較して、検出とローカライゼーションの両方で競合推論時間と最高のパフォーマンスを達成することを示した。
関連論文リスト
- One for All: Multi-Domain Joint Training for Point Cloud Based 3D Object Detection [71.78795573911512]
textbfOneDet3Dは、異なるドメイン間での3D検出に対処する汎用的なワン・ツー・オール・モデルである。
本稿では、データ干渉問題に対処するため、ルーティング機構によって誘導される散乱とコンテキストにおけるドメイン認識を提案する。
完全なスパース構造とアンカーフリーヘッドは、さらに大きなスケールの差のある点雲を収容する。
論文 参考訳（メタデータ） (2024-11-03T14:21:56Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。
ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。
これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文 参考訳（メタデータ） (2024-02-27T10:10:12Z) - InvariantOODG: Learning Invariant Features of Point Clouds for
Out-of-Distribution Generalization [17.96808017359983]
本稿では,異なる分布を持つ点雲間の不変性を学習するInvariantOODGを提案する。
学習可能なアンカーポイントの集合を定義し、最も有用な局所領域と入力点の雲を増大させる2種類の変換を定義する。
実験により,提案モデルが3次元領域一般化ベンチマークに与える影響を実証した。
論文 参考訳（メタデータ） (2024-01-08T09:41:22Z) - Unsupervised Deep Probabilistic Approach for Partial Point Cloud
Registration [74.53755415380171]
ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。
部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。
UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
論文 参考訳（メタデータ） (2023-03-23T14:18:06Z) - Reliability-Adaptive Consistency Regularization for Weakly-Supervised
Point Cloud Segmentation [80.07161039753043]
極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。
本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。
疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
論文 参考訳（メタデータ） (2023-03-09T10:41:57Z) - SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from
Point Cloud [125.9472454212909]
本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。
SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。
実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
論文 参考訳（メタデータ） (2022-12-06T09:32:44Z) - Bidirectional Feature Globalization for Few-shot Semantic Segmentation
of 3D Point Cloud Scenes [1.8374319565577157]
本稿では,グローバルな認識を局所的な特徴に組み込むために,双方向機能グローバリゼーション(BFG)アプローチを提案する。
プロトタイプ・ツー・ポイントのグローバル化(Pr2PoG)により、グローバルな認識は、疎いプロトタイプから高密度な特徴への類似度重みに基づく局所的な特徴に埋め込まれる。
グローバルな知覚に埋め込まれた各クラスのスパースプロトタイプは、数発の3Dセグメンテーションのための単一のプロトタイプに要約される。
論文 参考訳（メタデータ） (2022-08-13T15:04:20Z) - PointNorm: Dual Normalization is All You Need for Point Cloud Analysis [0.7971699294672281]
サンプリンググループ化作業の後に新しいDualNormモジュールを導入し,不規則性問題に効果的かつ効率的に対処する。
デュアルノーム加群は、サンプリングされた点に対する群点の正規化を行う点正規化と、サンプリングされた点からグループ化された点への逆点正規化からなる。
論文 参考訳（メタデータ） (2022-07-13T16:24:47Z) - SphereVLAD++: Attention-based and Signal-enhanced Viewpoint Invariant
Descriptor [6.326554177747699]
SphereVLAD++ は注目度が高められた視点不変位置認識手法である。
SphereVLAD++は、小さな視点や完全に逆の視点差の下で、最先端の3D位置認識手法をすべて上回ることを示す。
論文 参考訳（メタデータ） (2022-07-06T20:32:43Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。