Fugu-MT 論文翻訳(概要): Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning

論文の概要: Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning

arxiv url: http://arxiv.org/abs/2408.04604v1
Date: Thu, 8 Aug 2024 17:24:03 GMT
ステータス: 処理完了
システム内更新日: 2024-08-09 14:48:21.050644
Title: Towards High-resolution 3D Anomaly Detection via Group-Level Feature Contrastive Learning
Title（参考訳）: グループレベル特徴量比較学習による高分解能3次元異常検出に向けて
Authors: Hongze Zhu, Guoyang Xie, Chengbin Hou, Tao Dai, Can Gao, Jinbao Wang, Linlin Shen,
Abstract要約: 高分解能点雲(HRPCD)異常検出(AD)は、精密加工およびハイエンド機器製造において重要な役割を担っている。最近提案された多くの3D-ADメソッドにもかかわらず、HRPCD-ADタスクの要件を満たすことはできない。本稿では,グループレベルの特徴ベースネットワークであるGroup3ADを提案する。
参考スコア（独自算出の注目度）: 45.21394843710758
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: High-resolution point clouds~(HRPCD) anomaly detection~(AD) plays a critical role in precision machining and high-end equipment manufacturing. Despite considerable 3D-AD methods that have been proposed recently, they still cannot meet the requirements of the HRPCD-AD task. There are several challenges: i) It is difficult to directly capture HRPCD information due to large amounts of points at the sample level; ii) The advanced transformer-based methods usually obtain anisotropic features, leading to degradation of the representation; iii) The proportion of abnormal areas is very small, which makes it difficult to characterize. To address these challenges, we propose a novel group-level feature-based network, called Group3AD, which has a significantly efficient representation ability. First, we design an Intercluster Uniformity Network~(IUN) to present the mapping of different groups in the feature space as several clusters, and obtain a more uniform distribution between clusters representing different parts of the point clouds in the feature space. Then, an Intracluster Alignment Network~(IAN) is designed to encourage groups within the cluster to be distributed tightly in the feature space. In addition, we propose an Adaptive Group-Center Selection~(AGCS) based on geometric information to improve the pixel density of potential anomalous regions during inference. The experimental results verify the effectiveness of our proposed Group3AD, which surpasses Reg3D-AD by the margin of 5\% in terms of object-level AUROC on Real3D-AD. We provide the code and supplementary information on our website: https://github.com/M-3LAB/Group3AD.
Abstract（参考訳）: 高分解能点雲~(HRPCD)異常検出〜(AD)は、精密加工およびハイエンド機器製造において重要な役割を果たす。最近提案された多くの3D-ADメソッドにもかかわらず、HRPCD-ADタスクの要件を満たすことはできない。課題はいくつかある。一サンプルレベルで大量の点があるため、直接HRPCD情報を取得することは困難である。二先進的なトランスフォーマーに基づく方法は、通常、異方性の特徴を得、表現の劣化につながる。三異常面積の割合が非常に小さく、特徴付けが困難である。これらの課題に対処するために,グループレベルの特徴ベースネットワークであるGroup3ADを提案する。まず、特徴空間内の異なるグループのマッピングを複数のクラスタとして示すために、クラスタ間均一性ネットワーク~(IUN)を設計し、特徴空間内の点雲の異なる部分を表すクラスタ間のより均一な分布を求める。次に、クラスタ内アライメントネットワーク~(IAN)を設計し、クラスタ内のグループを特徴空間内で厳格に分散させる。さらに,幾何情報に基づく適応型グループ中心選択(AGCS)を提案し,推定中の潜在的異常領域の画素密度を改善する。実験の結果,Reg3D-ADを5倍のマージンで上回り,Real3D-ADのオブジェクトレベルAUROCにおいて,提案したGroup3ADの有効性が検証された。 https://github.com/M-3LAB/Group3AD.com/ のコードと補足情報を提供しています。

関連論文リスト

PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
論文参考訳（メタデータ） (2024-08-26T19:43:01Z)
Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文参考訳（メタデータ） (2024-07-26T06:29:09Z)
Learning to Adapt SAM for Segmenting Cross-domain Point Clouds [25.66755977728181]
3Dセグメンテーションタスクにおける教師なしドメイン適応(UDA)は、非常に難しい課題である。本稿では,3次元特徴空間とSAMの特徴空間との整合性を大幅に向上させる,革新的なハイブリッド機能拡張手法を提案する。提案手法は,広く認識されている多くのデータセットで評価され,最先端の性能を実現する。
論文参考訳（メタデータ） (2023-10-13T02:28:40Z)
Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文参考訳（メタデータ） (2023-07-16T04:34:11Z)
SUG: Single-dataset Unified Generalization for 3D Point Cloud Classification [44.27324696068285]
トレーニング済みのソースモデルが直面する予期せぬ領域差を軽減するために,単一データセット統一一般化(SUG)フレームワークを提案する。具体的には、まず、学習した表現をドメインに依存しない識別性に制約できるマルチグラニュアルサブドメインアライメント(MSA)法を設計する。次にSDA(Sample-level Domain-Aware Attention)戦略を示し、異なるサブドメインから簡単に適応できるサンプルを選択的に強化する。
論文参考訳（メタデータ） (2023-05-16T04:36:04Z)
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)
CAGroup3D: Class-Aware Grouping for 3D Object Detection on Point Clouds [55.44204039410225]
本稿では,CAGroup3Dという新しい2段階完全スパース3Dオブジェクト検出フレームワークを提案する。提案手法は,まず,オブジェクト表面のボクセル上でのクラス認識型局所群戦略を活用することによって,高品質な3D提案を生成する。不正なボクセルワイドセグメンテーションにより欠落したボクセルの特徴を回復するために,完全にスパースな畳み込み型RoIプールモジュールを構築した。
論文参考訳（メタデータ） (2022-10-09T13:38:48Z)
Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。 DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
論文参考訳（メタデータ） (2022-05-23T23:05:07Z)
Learning Hyperbolic Representations for Unsupervised 3D Segmentation [3.516233423854171]
本稿では,双曲型潜在空間を持つ変分オートエンコーダ(VAE)とジャイロプレーン畳み込み層を用いて,教師なしセグメンテーションのための3次元パッチの効果的表現を提案する。階層型トイデータセット,BraTS全腫瘍データセット,低温電子顕微鏡データを用いた非教師なし3次元セグメンテーションにおけるハイパーボリック表現の有効性を実証した。
論文参考訳（メタデータ） (2020-12-03T02:15:31Z)

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。