論文の概要: Deep Subspace Learning for Surface Anomaly Classification Based on 3D Point Cloud Data

• arxiv url: http://arxiv.org/abs/2502.11669v1
• Date: Mon, 17 Feb 2025 10:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:15:34.036621
• Title: Deep Subspace Learning for Surface Anomaly Classification Based on 3D Point Cloud Data
• Title（参考訳）: 3次元点クラウドデータに基づく表面異常分類のための深部部分空間学習
• Authors: Xuanming Cao, Chengyu Tao, Juan Du,
• Abstract要約: 本稿では,深層空間学習に基づく3次元異常分類モデルを提案する。 具体的には,各クラスをクラス内の変動を考慮したサブ空間としてモデル化し,クラス間の類似性に対処するために異なるクラスの異なるサブ空間を促進させる。 本手法は,ベンチマーク手法よりも優れた異常分類結果を実現し,新しいタイプの異常を効果的に識別する。
• 参考スコア（独自算出の注目度）: 2.5524809198548137
• License:
• Abstract: Surface anomaly classification is critical for manufacturing system fault diagnosis and quality control. However, the following challenges always hinder accurate anomaly classification in practice: (i) Anomaly patterns exhibit intra-class variation and inter-class similarity, presenting challenges in the accurate classification of each sample. (ii) Despite the predefined classes, new types of anomalies can occur during production that require to be detected accurately. (iii) Anomalous data is rare in manufacturing processes, leading to limited data for model learning. To tackle the above challenges simultaneously, this paper proposes a novel deep subspace learning-based 3D anomaly classification model. Specifically, starting from a lightweight encoder to extract the latent representations, we model each class as a subspace to account for the intra-class variation, while promoting distinct subspaces of different classes to tackle the inter-class similarity. Moreover, the explicit modeling of subspaces offers the capability to detect out-of-distribution samples, i.e., new types of anomalies, and the regularization effect with much fewer learnable parameters of our proposed subspace classifier, compared to the popular Multi-Layer Perceptions (MLPs). Extensive numerical experiments demonstrate our method achieves better anomaly classification results than benchmark methods, and can effectively identify the new types of anomalies.
• Abstract（参考訳）: 表面異常分類は, システム故障の診断と品質管理に重要である。 しかし、以下の課題は常に正確な異常分類を妨げている。 (i)異常パターンはクラス内変異とクラス間類似性を示し,各サンプルの正確な分類に課題を呈する。 (ii) 事前に定義されたクラスにもかかわらず、プロダクション中に、正確に検出する必要がある新しいタイプの異常が発生する可能性がある。 三 製造工程において異常データは稀であり、モデル学習のための限られたデータに繋がる。 本稿では,この課題を同時に解決するために,深層空間学習に基づく3次元異常分類モデルを提案する。 具体的には、軽量エンコーダから潜在表現を抽出し、各クラスをクラス内の変動を考慮したサブスペースとしてモデル化し、クラス間の類似性に取り組むために異なるクラスの異なるサブスペースを宣伝する。 さらに、サブスペースの明示的なモデリングにより、新しいタイプの異常や、提案したサブスペース分類器の学習可能なパラメータをMLP(Multi-Layer Perceptions)と比較してはるかに少ない正規化効果など、配布外サンプルを検出することができる。 大規模な数値実験により,本手法はベンチマーク法よりも優れた異常分類結果が得られ,新しい種類の異常を効果的に同定できることが示された。

関連論文リスト

• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• mixed attention auto encoder for multi-class industrial anomaly detection [2.8519768339207356]
  単一モデルを用いたマルチクラス異常検出を実現するために,MAAE (Mixed-attention Auto Encoder) を提案する。 異なるカテゴリーの分布パターンの多様さによる性能劣化を軽減するために,空間的注意とチャネル的注意を用いた。 MAAEは、最先端の手法と比較して、ベンチマークデータセットで顕著なパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-22T08:17:48Z)
• Active anomaly detection based on deep one-class classification [9.904380236739398]
  我々は,Deep SVDDにおけるアクティブラーニングの2つの重要な課題,すなわちクエリ戦略と半教師付きラーニング手法に対処する。 まず、単に異常を識別するのではなく、適応境界に従って不確実なサンプルを選択する。 第2に、ラベル付き正規データと異常データの両方を効果的に組み込むために、一級分類モデルの訓練にノイズコントラスト推定を適用した。
  論文  参考訳（メタデータ） (2023-09-18T03:56:45Z)
• 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)
• "Flux+Mutability": A Conditional Generative Approach to One-Class Classification and Anomaly Detection [4.371371475735559]
  異常検出は、標準モデルを超えた新しい物理を見つける最前線にある。 本稿では,Flux+Mutabilityと呼ばれる新しい機械学習アーキテクチャの実装について詳述する。
  論文  参考訳（メタデータ） (2022-04-19T01:55:58Z)
• Learning Debiased and Disentangled Representations for Semantic Segmentation [52.35766945827972]
  セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。 各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。 提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
  論文  参考訳（メタデータ） (2021-10-31T16:15:09Z)
• 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)
• Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
  一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。 ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。 本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T05:21:27Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)

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。