type
status
date
slug
summary
tags
category
icon
password
Last edited time
Jul 3, 2024 12:28 AM
😀
通过跨模态差异进行异常检测,模型小,速度快,精度高
notion image
crossmodal-feature-mapping
CVLAB-UniboUpdated Sep 10, 2024

📝 主旨内容

架构

💡
仅有两个特征映射器需要学习(两层MLP),根据跨模态后与原模态的相似度进行异常检测(二者进行点乘)
notion image

评价指标

💡
所有的先前工作在计算AUPRO时都使用0.3作为假阳性率(FPR)积分阈值。我们认为这个值对于实际工业应用来说可能太宽松了,允许太多的假阳性。
notion image

预处理相关

💡
点云预处理缺失存在缺失,造成与图像数据不一致,但恰好该方法就是利用模态间差异进行异常检测
💡
进行异常检测时,直接将背景移除,因为异常不可能出现在背景上
notion image
notion image

改进

3D to 2D的相似度低

💡
一开始因为作者的笔误导致两个损失算反了(因为是同等考虑的,所以即便修改正确也对结果没有影响),和最终可视化结果相违背
notion image
notion image
notion image
notion image
notion image

KAN替换MLP

[1152, 576, 288, 288, 576, 768]
[1152, 576, 288, 288, 576, 768]
[1152, 576, 288, 288, 576, 768]
[1152, 576, 288, 288, 576, 768]
[768, 960, 1152]
[768, 960, 1152]
[1152, 960, 768]
[1152, 960, 768]
notion image
 
notion image
 
 
notion image
notion image
notion image
notion image
notion image

聚合差异效果

💡
注意力?自适应?
notion image
notion image
notion image
 
 
notion image

正常样本误杀

notion image
notion image
notion image
notion image

实验

  1. epochs=50
  1. epochs=250
  1. epochs=500
  1. kan网络
  1. ours预处理(epochs=250)

🤗 总结归纳

 

📎 参考文章

 
近期大语言模型动向LogiCode——逻辑异常检测新范式
Loading...