Examining the Source of Defects from a Mechanical Perspective for 3D Anomaly Detection

要約

この論文では、構造用語でのみ異常を特定するだけでなく、異常の原因によって動機付けられたより良い異常検出について考えます。
ほとんどの異常は、内部および外部のソースからの予測不可能な欠陥のある力の結果と見なされており、その反対の力は異常を修正するために求められています。
3D異常検出（MC4AD）のメカニック補完フレームワークを導入して、各ポイントの内部および外部の矯正力を生成しました。
さまざまな異常をシミュレートするために、多様な異常生成（DA-Gen）モジュールが最初に提案されています。
次に、内部および外部の是正力のさまざまな貢献をシミュレートするために、ポイントレベル表現の相補的表現を備えた修正力予測ネットワーク（CFP-NET）を提示します。
矯正力を適切に制約するために、新しい対称損失と全体的な損失を含む、合計損失が提案されました。
ハイライトとして、業界における3D異常検出はより包括的に検討し、3方向の決定に基づいて階層的な品質管理戦略を作成し、モデル内の分散を伴う異常なintravarianceという名前のデータセットを提供してモデルを評価します。
提案された5つのデータセットと既存の5つのデータセットでは、最小パラメーターと最速の推論速度を備えた9人の最先端のパフォーマーを取得しました。
ソースはhttps://github.com/hzzzzzhappy/mc4adで入手できます

要約(オリジナル)

In this paper, we go beyond identifying anomalies only in structural terms and think about better anomaly detection motivated by anomaly causes. Most anomalies are regarded as the result of unpredictable defective forces from internal and external sources, and their opposite forces are sought to correct the anomalies. We introduced a Mechanics Complementary framework for 3D anomaly detection (MC4AD) to generate internal and external Corrective forces for each point. A Diverse Anomaly-Generation (DA-Gen) module is first proposed to simulate various anomalies. Then, we present a Corrective Force Prediction Network (CFP-Net) with complementary representations for point-level representation to simulate the different contributions of internal and external corrective forces. A combined loss was proposed, including a new symmetric loss and an overall loss, to constrain the corrective forces properly. As a highlight, we consider 3D anomaly detection in industry more comprehensively, creating a hierarchical quality control strategy based on a three-way decision and contributing a dataset named Anomaly-IntraVariance with intraclass variance to evaluate the model. On the proposed and existing five datasets, we obtained nine state-of-the-art performers with the minimum parameters and the fastest inference speed. The source is available at https://github.com/hzzzzzhappy/MC4AD

arxiv情報

提供元, 利用サービス

arxiv.jp, Google