亚马逊网站托管怎么做,免费网站建设哪个好?,黄岛网站建设哪家专业,wordpress拼图Multimodal Industrial Anomaly Detection via Hybrid Fusion 1、Background
随着3D传感器的发展#xff0c;最近发布了具有2D图像和3D点云数据的MVTec-3D AD数据集#xff0c;促进了多模态工业异常检测的研究。
无监督异常检测的核心思想是找出正常表示与异常之间的差异。… Multimodal Industrial Anomaly Detection via Hybrid Fusion 1、Background
随着3D传感器的发展最近发布了具有2D图像和3D点云数据的MVTec-3D AD数据集促进了多模态工业异常检测的研究。
无监督异常检测的核心思想是找出正常表示与异常之间的差异。当前的2D工业异常检测方法可以分为两类
(1)基于重建的方法。图像重建任务在异常检测方法中被广泛使用以学习正常表示。对于单一模态输入2D图像或3D点云重建方法易于实现。但对于多模态输入很难找到重建目标。
(2)基于预训练特征提取器的方法。直观的方法是将提取的特征映射到正常分布并找到分布之外的一个作为异常。基于归一化流的方法使用可逆变换直接构建正常分布记忆库方法存储一些代表性特征以隐式构建特征分布。
与基于重建的方法相比直接使用预训练特征提取器不涉及设计多模态重建目标对于多模态任务是更好的选择。此外当前的多模态工业异常检测方法直接连接两种模态的特征。然而当特征维度很高时多模态特征之间的干扰将非常激烈并导致性能下降。
为了解决上述问题提出了一种基于RGB图像和3D点云的新型多模态异常检测方案Multi-3D-Memory (M3DM)。与现有方法直接连接两种模态的特征不同提出了一种混合融合方案以减少多模态特征之间的干扰并鼓励特征交互。
提出了无监督特征融合UFF来融合多模态特征它使用分块对比损失进行训练以学习相同位置的多模态特征块之间的固有关系。为了鼓励异常检测模型保持单一域推理能力分别为RGB、3D和融合特征构建了三个记忆库。
对于最终决策构建了决策层融合DLF以考虑所有记忆库进行异常检测和分割。异常检测需要包含全局和局部信息的特征其中局部信息有助于检测小缺陷全局信息关注所有部分之间的关系。基于这一观察使用Point Transformer进行3D特征和Vision Transformer进行RGB特征。进一步提出了点特征对齐PFA操作以更好地将3D和2D特征对齐。
2、Method
Multi-3D-Memory (M3DM)方法采用3D点云和RGB图像作为输入进行3D异常检测和分割。
采用特征混合融合方案以促进跨域信息交互同时保持每个单一域的原始信息。
利用两个预训练的特征提取器DINO用于RGB和PointMAE用于点云分别提取颜色和3D表示。
M3DM由三个重要部分组成
(1)点特征对齐PFA为了解决颜色特征和3D特征之间的位置信息不匹配问题提出了点特征对齐将3D特征对齐到2D空间这有助于简化多模态交互并提高检测性能。
(2)无监督特征融合UFF由于多模态特征之间的交互可以产生对异常检测有帮助的新表示提出了一个无监督特征融合模块以帮助统一多模态特征的分布并学习它们之间的内在联系。
(3)决策层融合DLF尽管UFF有助于提高检测性能但发现信息丢失是不可避免的并提出使用多个记忆库进行最终决策。 算法流程
输入数据 3D点云RGB图像 特征提取 使用Point Transformer处理3D点云提取每个点的特征形状使用Vision Transformer处理RGB图像提取图像中每个块的特征纹理和颜色 特征融合 点特征对齐PFA因为3D点云和彩色图片的空间对应关系可能不一致所以需要一个对齐过程让3D形状信息和2D颜色信息能在同一个坐标系下比较。将3D点云特征投影到2D平面上以便与RGB图像特征对齐。无监督特征融合UFF将对齐后的3D和2D特征进行融合使用一种特殊的学习方法分块对比学习让两种特征互相学习增强彼此的信息。 决策层融合DLF 首先使用多个记忆库Memory Bank分别存储RGB特征、3D特征和融合后的特征。然后对于每个记忆库系统都会计算出一个异常分数和一个分割图这些分数和图基于学习到的正常产品特征。最后通过一个叫做One-Class SVM的模型综合这些分数和图给出最终的异常检测结果和异常区域的定位。
pseudo-code
# 定义函数进行特征提取
def extract_features(data):if isinstance(data, RGB_image):features vision_transformer(data)elif isinstance(data, PointCloud):features point_transformer(data)return features# 定义函数进行无监督特征融合
def unsupervised_feature_fusion(rgb_features, point_features):fused_features some_fusion_method(rgb_features, point_features)return fused_features# 定义函数进行异常检测
def anomaly_detection(features, memory_bank):distances calculate_distances(features, memory_bank)anomaly_score sum(distances) # 简化的异常评分计算return anomaly_score# 主流程
def main(new_rgb_image, new_point_cloud, memory_bank_rgb, memory_bank_point, memory_bank_fused):# 特征提取rgb_features extract_features(new_rgb_image)point_features extract_features(new_point_cloud)# 特征融合fused_features unsupervised_feature_fusion(rgb_features, point_features)# 异常检测score_rgb anomaly_detection(rgb_features, memory_bank_rgb)score_point anomaly_detection(point_features, memory_bank_point)score_fused anomaly_detection(fused_features, memory_bank_fused)# 综合决策final_score (score_rgb score_point score_fused) / 3if final_score threshold:return 异常else:return 正常# 假设的记忆库数据
memory_bank_rgb ...
memory_bank_point ...
memory_bank_fused ...# 新样本数据
new_rgb_image ...
new_point_cloud ...# 调用主函数进行异常检测
result main(new_rgb_image, new_point_cloud, memory_bank_rgb, memory_bank_point, memory_bank_fused)
print(检测结果, result)3、Experiments
。。。 4、Conclusion
提出了一种基于点云和 RGB 图像的 多模态混合特征融合 工业异常检测方法 Multi-3D-Memory 。
