当前基于三维点云的工业异常检测仍处于起步阶段,较先进的方法将点云栅格化成2D图片或采用传统算子提取点云特征,有待进一步研究。对此,提出一种基于3D归一化流的双分支点云异常检测模型。以3D归一化流作为整体框架,结合双分支交互融合...当前基于三维点云的工业异常检测仍处于起步阶段,较先进的方法将点云栅格化成2D图片或采用传统算子提取点云特征,有待进一步研究。对此,提出一种基于3D归一化流的双分支点云异常检测模型。以3D归一化流作为整体框架,结合双分支交互融合模块进行局部特征聚合,以并行结构聚合由Transformer和卷积神经网络(Convs)架构提取的不同焦点的点云特征;通过3D归一化流对特征金字塔在欧氏空间和潜在空间之间的可逆映射进行建模,基于受试者曲线下面积,所提模型从分布学习的角度实现了图像级(I-AUROC)的高效异常检测。在MVTec-3D AD数据集上进行的实验结果表明,所提模型在点云异常检测中取得了比目前先进方法更好的性能,相较于M3DM(Multi-3D-Memory)、AST(Asymmetric Student-Teacher Networks),I-AUROC(Image-level Area Under the Receiver Operating Characteristiccurve)指标分别提升了1.8和5.9个百分点。展开更多
文摘针对现有异常检测(Anomaly detection,AD)模型计算效率低和检测性能差等问题,提出一种多尺度流模型(Multi-scale normalizing flow,MS-Flow),通过多尺度交叉融合实现高效的视觉图像异常识别.具体地,在流模型(Normalizing flow,NF)内部构建层级式的多尺度架构来避免多通道数据的冗余交叉计算,同时保证网络的多尺度表达能力.此外,设计的层级感知模块通过逐层级的多粒度特征融合,在细粒度级别表达多尺度特征,有效地提高分布估计的精确性.该方法是一个平衡检测精度与计算效率的解决方案.在两个公开数据集上的实验表明,所提方法相较于以往的检测模型能够获得更高的检测精度(在MVTec AD和BTAD数据集上的平均AUROC(Area under the receiver operating characteristics)分别为99.7%和96.0%),同时具有更高的计算效率,浮点运算次数(Floating point operations,FLOPs)约为CS-Flow的1/8.
文摘当前基于三维点云的工业异常检测仍处于起步阶段,较先进的方法将点云栅格化成2D图片或采用传统算子提取点云特征,有待进一步研究。对此,提出一种基于3D归一化流的双分支点云异常检测模型。以3D归一化流作为整体框架,结合双分支交互融合模块进行局部特征聚合,以并行结构聚合由Transformer和卷积神经网络(Convs)架构提取的不同焦点的点云特征;通过3D归一化流对特征金字塔在欧氏空间和潜在空间之间的可逆映射进行建模,基于受试者曲线下面积,所提模型从分布学习的角度实现了图像级(I-AUROC)的高效异常检测。在MVTec-3D AD数据集上进行的实验结果表明,所提模型在点云异常检测中取得了比目前先进方法更好的性能,相较于M3DM(Multi-3D-Memory)、AST(Asymmetric Student-Teacher Networks),I-AUROC(Image-level Area Under the Receiver Operating Characteristiccurve)指标分别提升了1.8和5.9个百分点。
