論文の概要: Boosting Global-Local Feature Matching via Anomaly Synthesis for Multi-Class Point Cloud Anomaly Detection

• arxiv url: http://arxiv.org/abs/2505.07375v1
• Date: Mon, 12 May 2025 09:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.330817
• Title: Boosting Global-Local Feature Matching via Anomaly Synthesis for Multi-Class Point Cloud Anomaly Detection
• Title（参考訳）: 多点クラウド異常検出のための異常合成によるグローバルローカル特徴マッチングの高速化
• Authors: Yuqi Cheng, Yunkang Cao, Dongfang Wang, Weiming Shen, Wenlong Li,
• Abstract要約: GLFMと呼ばれるマルチクラスクラウド異常検出手法を提案する。 GLFMは以下の3つのステージに構成されている。 Stage-Iは、豊富な異常データを生成するために点雲を拡張する異常パイプラインを提案する。 Stage-IIは、すべてのトレーニングデータのグローバルな特徴分布とローカルな特徴分布に基づいて、グローバルおよびローカルなメモリバンクを確立する。 Stage-IIIは、グローバルおよびローカルメモリバンクからの特徴的距離を利用したテストデータの異常検出を実装している。
• 参考スコア（独自算出の注目度）: 2.3580431289943014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud anomaly detection is essential for various industrial applications. The huge computation and storage costs caused by the increasing product classes limit the application of single-class unsupervised methods, necessitating the development of multi-class unsupervised methods. However, the feature similarity between normal and anomalous points from different class data leads to the feature confusion problem, which greatly hinders the performance of multi-class methods. Therefore, we introduce a multi-class point cloud anomaly detection method, named GLFM, leveraging global-local feature matching to progressively separate data that are prone to confusion across multiple classes. Specifically, GLFM is structured into three stages: Stage-I proposes an anomaly synthesis pipeline that stretches point clouds to create abundant anomaly data that are utilized to adapt the point cloud feature extractor for better feature representation. Stage-II establishes the global and local memory banks according to the global and local feature distributions of all the training data, weakening the impact of feature confusion on the establishment of the memory bank. Stage-III implements anomaly detection of test data leveraging its feature distance from global and local memory banks. Extensive experiments on the MVTec 3D-AD, Real3D-AD and actual industry parts dataset showcase our proposed GLFM's superior point cloud anomaly detection performance. The code is available at https://github.com/hustCYQ/GLFM-Multi-class-3DAD.
• Abstract（参考訳）: 点雲異常検出は様々な産業用途に不可欠である。 製品クラスの増加によって引き起こされる膨大な計算とストレージコストは、単一クラス非教師付きメソッドの適用を制限し、マルチクラス非教師付きメソッドの開発を必要とします。 しかし、異なるクラスデータからの正規点と異常点の類似性が特徴混乱問題を引き起こし、多クラスメソッドの性能を著しく損なう。 そこで我々は,グローバルな特徴マッチングを利用して,複数のクラスにまたがる混乱を招きやすいデータを段階的に分離する,GLFMと呼ばれるマルチクラスクラウド異常検出手法を提案する。 GLFMは以下の3つのステージで構成されている。 Stage-Iは、ポイントクラウドを拡張して、ポイントクラウド特徴抽出器に適応して機能表現を改善するために使用される豊富な異常データを生成する、異常合成パイプラインを提案する。 ステージIIは、すべてのトレーニングデータのグローバルな特徴分布とローカルな特徴分布に基づいて、グローバルなメモリバンクとローカルなメモリバンクを確立し、メモリバンクの確立に対する特徴混乱の影響を弱める。 Stage-IIIは、グローバルおよびローカルメモリバンクからの特徴的距離を利用したテストデータの異常検出を実装している。 MVTec 3D-AD、Real3D-AD、および実際の産業部品のデータセットに関する大規模な実験は、提案したGLFMの優れた点雲異常検出性能を示す。 コードはhttps://github.com/hustCYQ/GLFM-Multi-class-3DADで公開されている。

関連論文リスト

• An Enhanced Classification Method Based on Adaptive Multi-Scale Fusion for Long-tailed Multispectral Point Clouds [67.96583737413296]
  長距離分布を持つMPCに対する適応的マルチスケール融合に基づく拡張型分類法を提案する。 トレーニングセット生成段階では、スパースラベル付きデータセットからトレーニングサンプルを確実に生成するグリッドバランスサンプリング戦略が設計されている。 特徴学習の段階では,異なるスケールの土地被覆の浅い特徴を融合させるため,マルチスケールの特徴融合モジュールが提案されている。
  論文  参考訳（メタデータ） (2024-12-16T03:21:20Z)
• 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)
• PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features [18.32982981001087]
  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。
  論文  参考訳（メタデータ） (2024-03-04T07:51:46Z)
• 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)
• 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)
• Multimodal Industrial Anomaly Detection via Hybrid Fusion [59.16333340582885]
  ハイブリッド核融合方式を用いた新しいマルチモーダル異常検出法を提案する。 本モデルでは,MVTecD-3 ADデータセットにおける検出精度とセグメンテーション精度の両面で,最先端(SOTA)手法より優れている。
  論文  参考訳（メタデータ） (2023-03-01T15:48:27Z)
• Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
  ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。 トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。 また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
  論文  参考訳（メタデータ） (2020-12-23T15:23:16Z)

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。