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
crossmodal-feature-mapping
CVLAB-Unibo • Updated 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)
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。
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
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
KAN替换MLP
聚合差异效果
注意力?自适应?
正常样本误杀
实验
- epochs=50
- epochs=250
- epochs=500
- kan网络
- ours预处理(epochs=250)
ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ |
ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ |
ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ |
ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ |
ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ | ㅤ |
🤗 总结归纳
📎 参考文章
- 作者:ziuch
- 链接:https://ziuch.com/article/Crossmodal-Feature-Mapping
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。
相关文章