論文の概要: PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.12617v1
• Date: Tue, 17 Dec 2024 07:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-18 13:58:49.430772
• Title: PO3AD: Predicting Point Offsets toward Better 3D Point Cloud Anomaly Detection
• Title（参考訳）: PO3AD: より良い3Dポイントクラウド異常検出に向けたポイントオフセット予測
• Authors: Jianan Ye, Weiguang Zhao, Xi Yang, Guangliang Cheng, Kaizhu Huang,
• Abstract要約: 異常のない条件下での点雲異常検出は大きな課題となる。 より情報的な疑似異常点を対象とする,学習点オフセットを重視した革新的なアプローチを導入する。 提案手法は, AUC-ROC 検出基準において, 9.0% と 1.4% の精度向上を達成し, 既存の最先端手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 26.125202166476875
• License:
• Abstract: Point cloud anomaly detection under the anomaly-free setting poses significant challenges as it requires accurately capturing the features of 3D normal data to identify deviations indicative of anomalies. Current efforts focus on devising reconstruction tasks, such as acquiring normal data representations by restoring normal samples from altered, pseudo-anomalous counterparts. Our findings reveal that distributing attention equally across normal and pseudo-anomalous data tends to dilute the model's focus on anomalous deviations. The challenge is further compounded by the inherently disordered and sparse nature of 3D point cloud data. In response to those predicaments, we introduce an innovative approach that emphasizes learning point offsets, targeting more informative pseudo-abnormal points, thus fostering more effective distillation of normal data representations. We also have crafted an augmentation technique that is steered by normal vectors, facilitating the creation of credible pseudo anomalies that enhance the efficiency of the training process. Our comprehensive experimental evaluation on the Anomaly-ShapeNet and Real3D-AD datasets evidences that our proposed method outperforms existing state-of-the-art approaches, achieving an average enhancement of 9.0% and 1.4% in the AUC-ROC detection metric across these datasets, respectively.
• Abstract（参考訳）: 異常のない条件下での点雲異常検出は、異常を示す偏差を特定するために3D正規データの特徴を正確に把握する必要があるため、重大な課題となる。 現在の取り組みは、修正された偽アノマラスなサンプルから正常なサンプルを復元することで、通常のデータ表現を取得するような再構築タスクの開発に重点を置いている。 その結果, 正常データと疑似異常データに等しく注意を散布すると, 異常な偏差に焦点を絞る傾向がみられた。 この課題は、3Dポイント・クラウド・データの本質的な乱れとまばらな性質によってさらに複雑化している。 そこで本研究では, 学習点オフセットを重視し, より情報に富む疑似異常点を対象とし, 通常のデータ表現をより効果的に蒸留する手法を提案する。 また、通常のベクトルによって操られる拡張技術を開発し、トレーニングプロセスの効率を高める信頼できる擬似異常の創出を容易にした。 Anomaly-ShapeNetとReal3D-ADデータセットの総合的な実験的評価は、提案手法が既存の最先端手法よりも優れており、これらのデータセット全体で平均9.0%と1.4%のAUC-ROC検出精度を実現していることを示す。

関連論文リスト

• Towards Zero-shot 3D Anomaly Localization [58.62650061201283]
  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。
  論文  参考訳（メタデータ） (2024-12-05T16:25:27Z)
• Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
  データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。 従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。 我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
  論文  参考訳（メタデータ） (2024-07-04T14:28:52Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Exploiting Autoencoder's Weakness to Generate Pseudo Anomalies [17.342474659784823]
  異常検出の典型的なアプローチは、通常のデータのパターンや表現を学習するためにのみ、通常のデータでオートエンコーダ(AE)を訓練することである。 本稿では,AEの弱点,すなわち異常の再構築をうまく活用して,学習適応雑音から擬似異常を生成することを提案する。
  論文  参考訳（メタデータ） (2024-05-09T16:22:24Z)
• 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)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• An Iterative Method for Unsupervised Robust Anomaly Detection Under Data Contamination [24.74938110451834]
  ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。 実際、正規性仮定は実データ分布の性質によってしばしば破られる。 このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T02:36:19Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)

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。