Mar, 2024

PointCore: 高效的无监督点云异常检测器，利用局部 - 全局特征

PDF
TL;DR提出了一个基于联合局部 - 全局特征、命名为 PointCore 的无监督点云异常检测框架，它仅需一个存储器来保存局部和全局表示，并为这些局部 - 全局特征分配不同的优先级，从而降低了计算复杂性和推理中的匹配干扰。通过引入归一化排名方法来抵抗异常值，调整不同尺度的值以达到概念上的公共尺度，并将密集分布的数据转化为均匀分布。在 Real3D-AD 数据集上的广泛实验表明，与现有方法 Reg3D-AD 和其他竞争方法相比，PointCore 在检测和定位方面不仅具有竞争力的推理时间，还具有最佳性能。
three-dimensional point cloudanomaly detectionlocal-global featuresunsupervised frameworkoutliers
发现论文，激发创造
  • 使用深度几何描述符在 3D 点云中进行异常检测

    提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

    Feb, 2022

  • 工业异常检测中的全面回顾

    本文提出了一种名为 PatchCore 的方法，它使用最具代表性的内存库来实现商标标准化的图像检测和本地化。PatchCore 在 MVTec AD 挑战赛中实现了高达 99.6％的图像级异常检测 AUROC 分数，并在其他两个数据集中取得了竞争性结果。

    Jun, 2021

  • PointGL: 一个简单的全局 - 局部框架用于高效的点云分析

    PointGL 是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在 ScanObjectNN 数据集上取得了最新 PointMLP 模型的五倍速度和较少的计算资源使用的最先进准确性。

    Jan, 2024

  • AGO-Net：基于关联引导的 3D 点云物体检测网络

    通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

    Aug, 2022

  • 3D-CSAD：复杂制造表面的未经训练的 3D 异常检测

    基于 3D 点云数据的制造零件表面质量检测吸引了日益增多的关注。我们提出了一种基于 3D 点云数据的新型未训练异常检测方法，用于复杂制造零件，能够在无训练数据的情况下实现准确的异常检测。

    Apr, 2024

  • 全局 - 局部双向推理用于无监督学习 3D 点云表示

    基于局部结构和全局形状的双向推理，提出了一种无需人工标注学习点云表示的方法，并展示出其在下游分类任务中取得的优秀表现。

    Mar, 2020

  • 点云异常检测的互补拟合多模态特征

    本研究旨在通过将手工制作的 PCD 描述符与强大的预训练 2D 神经网络相结合，提高点云异常检测性能，提出了全面的伪多模特征（CPMF），通过使用手工制作的 PCD 描述符将 3D 模态中的局部几何信息与生成伪 2D 模态中的全局语义信息相结合，展示了 2D 和 3D 模态特征之间互补的能力和 CPMF 的有效性。

    Mar, 2023

  • 3DFeat-Net: 基于弱监督的点云局部 3D 特征匹配

    本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

    Jul, 2018

  • 基于动态图卷积神经网络的局部几何结构点云去噪和异常点检测

    数字化社会快速发展，朝着数字孪生和元宇宙的实现方向迈进。其中，点云作为一种 3D 空间的媒体格式备受关注。由于测量误差，点云数据受到噪声和异常值的污染，因此在点云处理中需要进行去噪和异常值检测。我们通过应用基于动态图卷积神经网络设计的两种类型的图卷积层来解决 PointCleanNet 未考虑局部几何结构的问题。实验结果表明，所提方法在 AUPR（异常值检测准确度）和 Chamfer 距离（去噪准确度）上优于传统方法。

    Oct, 2023

  • 弱监督点云变换器用于 3D 目标检测

    本文提出了一种用于 3D 物体检测的弱监督点云变换器框架，旨在降低对训练所需监督的数量，以减少对 3D 数据集进行注释的高成本，通过使用投票网络选择高质量的预设锚点，将信息提炼到学生网络和教师网络。

    Sep, 2023