TL;DR高精度点云异常检测,Real3D-AD 数据集,3D 异常检测数据集,Reg3D-AD,基于配准的 3D 异常检测方法
Abstract
high-precision point cloud anomaly detection is the gold standard for
identifying the defects of advancing machining and precision manufacturing.
Despite some methodological advances in this area, the scarcity of datasets and
the lack of a systematic benchmark hinder its development. W
提出了一个大规模、真实世界的多视角工业异常检测数据集(Real-IAD),包含 30 种对象的 15 万张高清图片,相比现有数据集大一个数量级。该数据集具有更大范围的缺陷区域和比例,具有更高的挑战性。在提供了常用 IAD 方法在该数据集上的结果后,为推动 IAD 领域的发展提供了一个极具挑战性的基准。
为了解决现有模型的可扩展性问题,本文提出了一种基于现有大规模 3D 模型的 3D 异常合成流程,以适应 3D 异常检测。同时,为了实现可扩展的 3D 异常定位表示学习,本文提出了一种自我监督方法 —— 迭代掩蔽重建网络(IMRNet),并在 Anomaly-ShapeNet 数据集和 Real3D-AD 数据集上取得了显著优于先前方法的成果。
本文探讨了利用深度学习在 3D 物体检测中,针对使用 RGB-D 数据在室内和室外场景下进行点云识别所面临的挑战以及如何提高效率。通过利用成熟的 2D 物体检测器和先进的 3D 深度学习来提高区域建议与对象本地化的精度,以取得高回收甚至小目标检测的良好性能。在 KITTI 和 SUN RGB-D 3D 检测基准上进行了评估,相比现有技术取得了显著的大幅度升级,并具有实时性能。