論文の概要: C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor

• arxiv url: http://arxiv.org/abs/2508.01311v1
• Date: Sat, 02 Aug 2025 10:54:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.814895
• Title: C3D-AD: Toward Continual 3D Anomaly Detection via Kernel Attention with Learnable Advisor
• Title（参考訳）: C3D-AD: 学習可能なアドバイザーによるカーネル注意による連続3次元異常検出に向けて
• Authors: Haoquan Lu, Hanzhe Liang, Jie Zhang, Chenxi Hu, Jinbao Wang, Can Gao,
• Abstract要約: 3次元異常検出 (AD) は, 工業製品の異常や欠陥を検出する大きな可能性を示している。 既存のメソッドは通常、クラス固有の方法で訓練され、新しいクラスから学ぶ能力も欠如している。 連続3次元異常検出(C3D-AD)を提案する。これは多点点クラウドの一般化表現を学習するだけでなく,時間とともに出現する新しいクラスを処理できる。
• 参考スコア（独自算出の注目度）: 9.917394249928092
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3D Anomaly Detection (AD) has shown great potential in detecting anomalies or defects of high-precision industrial products. However, existing methods are typically trained in a class-specific manner and also lack the capability of learning from emerging classes. In this study, we proposed a continual learning framework named Continual 3D Anomaly Detection (C3D-AD), which can not only learn generalized representations for multi-class point clouds but also handle new classes emerging over time.Specifically, in the feature extraction module, to extract generalized local features from diverse product types of different tasks efficiently, Kernel Attention with random feature Layer (KAL) is introduced, which normalizes the feature space. Then, to reconstruct data correctly and continually, an efficient Kernel Attention with learnable Advisor (KAA) mechanism is proposed, which learns the information from new categories while discarding redundant old information within both the encoder and decoder. Finally, to keep the representation consistency over tasks, a Reconstruction with Parameter Perturbation (RPP) module is proposed by designing a representation rehearsal loss function, which ensures that the model remembers previous category information and returns category-adaptive representation.Extensive experiments on three public datasets demonstrate the effectiveness of the proposed method, achieving an average performance of 66.4%, 83.1%, and 63.4% AUROC on Real3D-AD, Anomaly-ShapeNet, and MulSen-AD, respectively.
• Abstract（参考訳）: 3次元異常検出 (AD) は, 工業製品の異常や欠陥を検出する大きな可能性を示している。 しかし、既存のメソッドは通常、クラス固有の方法で訓練され、新しいクラスから学ぶ能力も欠如している。 本研究では,マルチクラスの点群に対する一般化表現を学習するだけでなく,時間とともに出現する新しいクラスを扱える連続3次元異常検出(C3D-AD)という連続学習フレームワークを提案する。 そして、データを正しく継続的に再構築するために、学習可能なアドバイザ(KAA)機構による効率的なカーネルアテンションを提案し、エンコーダとデコーダの両方で冗長な古い情報を破棄しながら、新しいカテゴリから情報を学習する。 最後に、タスク間の表現整合性を維持するために、表現リハーサル損失関数を設計し、モデルが以前のカテゴリ情報を記憶し、カテゴリ適応表現を返すことを保証し、Real3D-AD、Anomaly-ShapeNet、MulSen-ADにおける平均性能66.4%、83.1%、63.4%のAUROCをそれぞれ達成し、提案手法の有効性を示す。

関連論文リスト

• MC3D-AD: A Unified Geometry-aware Reconstruction Model for Multi-category 3D Anomaly Detection [33.46875410103838]
  本稿では,Multi-Category 3D Anomaly Detection (MC3D-AD) のための新しい統一モデルを提案する。 局所的およびグローバルな幾何認識情報を利用して、すべてのカテゴリの正規表現を再構築することを目的としている。 MC3D-ADは、公開されているReal3D-ADとAnomaly-ShapeNetデータセットで評価される。
  論文  参考訳（メタデータ） (2025-05-04T02:38:10Z)
• 3D-AffordanceLLM: Harnessing Large Language Models for Open-Vocabulary Affordance Detection in 3D Worlds [81.14476072159049]
  3D Affordance Detectionは、様々なロボットタスクの幅広い応用において難しい問題である。 我々は従来の割当検出パラダイムをテキスト推論改善(IRAS)タスクに再構成する。 本研究では,3次元オープンシーンにおけるアベイランス検出のためのフレームワークである3D-ADLLMを提案する。
  論文  参考訳（メタデータ） (2025-02-27T12:29:44Z)
• Masked Generative Extractor for Synergistic Representation and 3D Generation of Point Clouds [6.69660410213287]
  我々は,3次元表現学習と生成学習を深く統合する利点を探るため,Point-MGEと呼ばれる革新的なフレームワークを提案する。 形状分類において、Point-MGEはModelNet40データセットで94.2%(+1.0%)、ScanObjectNNデータセットで92.9%(+5.5%)の精度を達成した。 また,非条件条件と条件条件条件条件の両方で,Point-MGEが高品質な3D形状を生成可能であることを確認した。
  論文  参考訳（メタデータ） (2024-06-25T07:57:03Z)
• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• I3DOD: Towards Incremental 3D Object Detection via Prompting [31.75287371048825]
  本稿では,新たなインクリメンタル3Dオブジェクト検出フレームワークを提案する。 具体的には、オブジェクトの局所化情報とカテゴリの意味情報とのマッチング関係を学習するためのタスク共有プロンプト機構を提案する。 本手法は,mAP@0.25における最先端物体検出法を0.6%～2.7%向上させる。
  論文  参考訳（メタデータ） (2023-08-24T02:54:38Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• The Devil is in the Task: Exploiting Reciprocal Appearance-Localization Features for Monocular 3D Object Detection [62.1185839286255]
  低コストのモノクル3D物体検出は、自律運転において基本的な役割を果たす。 DFR-Netという動的特徴反射ネットワークを導入する。 我々は、KITTIテストセットの全ての単分子3D物体検出器の中で、第1位にランク付けする。
  論文  参考訳（メタデータ） (2021-12-28T07:31:18Z)
• Static-Dynamic Co-Teaching for Class-Incremental 3D Object Detection [71.18882803642526]
  ディープラーニングアプローチは、3Dオブジェクト検出タスクにおいて顕著なパフォーマンスを示している。 古いデータを再考することなく、新しいクラスを漸進的に学習するときに、破滅的なパフォーマンス低下に悩まされる。 この「破滅的な忘れ物」現象は、現実世界のシナリオにおける3Dオブジェクト検出アプローチの展開を妨げる。 SDCoTは,新しい静的なコティーチング手法である。
  論文  参考訳（メタデータ） (2021-12-14T09:03:41Z)
• SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
  本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。 まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。 次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
  論文  参考訳（メタデータ） (2021-01-07T18:30:32Z)
• Improving Point Cloud Semantic Segmentation by Learning 3D Object Detection [102.62963605429508]
  ポイントクラウドセマンティックセグメンテーションは、自動運転において重要な役割を果たす。 現在の3Dセマンティックセグメンテーションネットワークは、よく表現されたクラスに対して優れた性能を発揮する畳み込みアーキテクチャに焦点を当てている。 Aware 3D Semantic Detection (DASS) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-22T14:17:40Z)

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。