論文の概要: Towards Zero-shot 3D Anomaly Localization

• arxiv url: http://arxiv.org/abs/2412.04304v1
• Date: Thu, 05 Dec 2024 16:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-06 14:40:35.029303
• Title: Towards Zero-shot 3D Anomaly Localization
• Title（参考訳）: ゼロショット3次元異常位置化に向けて
• Authors: Yizhou Wang, Kuan-Chuan Peng, Yun Fu,
• Abstract要約: 3DzALは3D異常検出とローカライゼーションのためのパッチレベルの新しいコントラスト学習フレームワークである。 3DzALは最先端の異常検出および局所化性能より優れていることを示す。
• 参考スコア（独自算出の注目度）: 58.62650061201283
• License:
• Abstract: 3D anomaly detection and localization is of great significance for industrial inspection. Prior 3D anomaly detection and localization methods focus on the setting that the testing data share the same category as the training data which is normal. However, in real-world applications, the normal training data for the target 3D objects can be unavailable due to issues like data privacy or export control regulation. To tackle these challenges, we identify a new task -- zero-shot 3D anomaly detection and localization, where the training and testing classes do not overlap. To this end, we design 3DzAL, a novel patch-level contrastive learning framework based on pseudo anomalies generated using the inductive bias from task-irrelevant 3D xyz data to learn more representative feature representations. Furthermore, we train a normalcy classifier network to classify the normal patches and pseudo anomalies and utilize the classification result jointly with feature distance to design anomaly scores. Instead of directly using the patch point clouds, we introduce adversarial perturbations to the input patch xyz data before feeding into the 3D normalcy classifier for the classification-based anomaly score. We show that 3DzAL outperforms the state-of-the-art anomaly detection and localization performance.
• Abstract（参考訳）: 3次元異常検出と局所化は産業検査において非常に重要である。 以前の3D異常検出とローカライズ手法は、テストデータが通常のトレーニングデータと同じカテゴリを共有する設定に重点を置いていた。 しかし、現実のアプリケーションでは、データプライバシやエクスポート制御規制といった問題により、対象の3Dオブジェクトの通常のトレーニングデータは利用できない。 これらの課題に取り組むために、トレーニングクラスとテストクラスが重複しない、ゼロショットの3D異常検出とローカライゼーションという新しいタスクを特定します。 この目的のために,タスク非関連な3Dxyzデータから帰納バイアスを用いた疑似異常をベースとした,パッチレベルの新しいコントラスト学習フレームワークである3DzALを設計し,より代表的な特徴表現を学習する。 さらに,通常のパッチと擬似異常を分類するために正規化分類器ネットワークを訓練し,特徴距離と組み合わせて分類結果を用いて異常スコアを設計する。 パッチ点雲を直接使用する代わりに,入力パッチxyzデータに逆摂動を導入し,分類に基づく異常スコアの3D正規化分類器に入力する。 3DzALは最先端の異常検出および局所化性能より優れていることを示す。

関連論文リスト

• 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)
• AnoViT: Unsupervised Anomaly Detection and Localization with Vision Transformer-based Encoder-Decoder [3.31490164885582]
  我々は,画像パッチ間のグローバルな関係を学習することにより,通常の情報を反映する視覚変換器を用いたエンコーダデコーダモデルAnoViTを提案する。 提案モデルは,3つのベンチマークデータセット上での畳み込みモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-21T09:01:37Z)
• The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and Localization [17.437967037670813]
  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。
  論文  参考訳（メタデータ） (2021-12-16T17:35:51Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• 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)
• Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
  異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。 生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T18:07:34Z)

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。