Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples

要約

異常検出は、コンピューター ビジョンの重要かつ一般的なトピックであり、通常の (つまり、異常でない) サンプルとは異なる異常なサンプルを検出することを目的としています。
現在の主流の方法は、画像の異常検出に焦点を当てていますが、3D 点群にはほとんど注意が払われていません。
この論文では、教師と生徒のアーキテクチャの知識伝達能力と最近のニューラル ネットワークの印象的な特徴抽出能力からインスピレーションを得て、3D 異常検出のための教師と生徒の構造化モデルを設計します。
具体的には、特徴空間アラインメント、次元ズーム、最大プーリングを使用して点群の特徴を抽出し、教師と生徒のネットワークによって生成された特徴ベクトル間のマルチスケール損失を最小限に抑えます。
さらに、私たちの方法では、教師と生徒の蒸留メカニズムにより、生徒ネットワークをトレーニングするために必要な通常のサンプルはごくわずかです。
トレーニングが完了すると、教師と生徒のネットワーク ペアを一緒に活用して、計算された異常スコアに基づいて 3D ポイント クラウドの異常検出を実行できます。
評価のために、ShapeNet-Part データセットの再構成ベースの方法と比較します。
実験結果とアブレーション研究は、非常に少ないトレーニング サンプルで 3D 異常検出の最先端技術と比較して、モデルがより高いパフォーマンスを達成できることを定量的および定性的に確認しています。

要約(オリジナル)

Anomaly detection, which is a critical and popular topic in computer vision, aims to detect anomalous samples that are different from the normal (i.e., non-anomalous) ones. The current mainstream methods focus on anomaly detection for images, whereas little attention has been paid to 3D point cloud. In this paper, drawing inspiration from the knowledge transfer ability of teacher-student architecture and the impressive feature extraction capability of recent neural networks, we design a teacher-student structured model for 3D anomaly detection. Specifically, we use feature space alignment, dimension zoom, and max pooling to extract the features of the point cloud and then minimize a multi-scale loss between the feature vectors produced by the teacher and the student networks. Moreover, our method only requires very few normal samples to train the student network due to the teacher-student distillation mechanism. Once trained, the teacher-student network pair can be leveraged jointly to fulfill 3D point cloud anomaly detection based on the calculated anomaly score. For evaluation, we compare our method against the reconstruction-based method on the ShapeNet-Part dataset. The experimental results and ablation studies quantitatively and qualitatively confirm that our model can achieve higher performance compared with the state of the arts in 3D anomaly detection with very few training samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google