type
status
date
slug
summary
tags
category
icon
password
Last edited time
Jun 3, 2024 12:35 PM
😀
面向工业场景下的多模态异常检测网络

📝 主旨内容

创新点

  • 通过自监督学习让不同模态的数据得到充分的交互后进行融合
  • 使用基于注意力的噪声合成模块,帮助网络提升异常分割性能
  • 不使用Merry Bank(占用额外的内存)的情况下,平均AUROC达到xxx
  • 网络轻便,训练简单,在单张V100下能够达到xxFPS
  • Kan网络——参数在边权上

实验

环境准备

  • Ubuntu 18.04
  • Python 3.8
  • Pytorch 2.0.0
  • CUDA 11.8
安装pointnet2/pointnet++工具类
pointnet_ops install problem
Updated May 18, 2024
notion image
本地Docker
notion image
封装autodl镜像
notion image

庖丁解牛

notion image
simple net特征维度
notion image

报错解决

RuntimeError: Ninja is required to load C++ extensions

一点结果

notion image
 

LightNet(first time)

M3DM

EasyNet

I-AUROC
AUPRO
P-AUROC
bagel
0.7169
0.7875
0.6216
cable_gland
0.5818
0.9231
0.7703
carrot
0.5833
0.9767
0.9426
cookie
0.583
0.8068
0.5571
dowel
0.5081
0.8006
0.6794
foam
0.5688
0.9143
0.7448
peach
0.6713
0.8563
0.6779
potato
0.5825
0.9773
0.9344
rope
0.6273
0.9709
0.9101
tire
0.606
0.9557
0.8971
mean
0.6029
0.89692
0.77353
I-AUROC
AUPRO
P-AUROC
bagel
0.994
0.970
0.995
cable_gland
0.909
0.971
0.993
carrot
0.972
0.979
0.997
cookie
0.976
0.950
0.985
dowel
0.960
0.941
0.985
foam
0.942
0.932
0.984
peach
0.973
0.977
0.996
potato
0.899
0.971
0.994
rope
0.972
0.971
0.997
tire
0.850
0.975
0.996
mean
0.945
0.964
0.992
I-AUROC
AUPRO
bagel
0.991
0.839
cable_gland
0.998
0.864
carrot
0.918
0.951
cookie
0.968
0.618
dowel
0.945
0.828
foam
0.945
0.836
peach
0.905
0.942
potato
0.807
0.889
rope
0.994
0.911
tire
0.793
0.528
mean
0.926
0.821

PatchCore+FPFH

I-AUROC
AUPRO
P-AUROC
bagel
0.918
0.976
0.996
cable_gland
0.748
0.969
0.992
carrot
0.967
0.979
0.997
cookie
0.883
0.973
0.994
dowel
0.932
0.933
0.981
foam
0.582
0.888
0.974
peach
0.896
0.975
0.996
potato
0.912
0.981
0.998
rope
0.9921
0.950
0.994
tire
0.886
0.971
0.995
mean
0.865
0.959
0.992
 

LightNet(update)

I-AUROC
AUPRO
P-AUROC
bagel
0.7169 0.7397
0.7875 0.8437
0.6216 0.6147
cable_gland
0.5818
0.9231
0.7703
carrot
0.5833
0.9767
0.9426
cookie
0.583
0.8068
0.5571
dowel
0.5081 0.5311
0.8006 0.8485
0.6794 0.7345
foam
0.5688
0.9143
0.7448
peach
0.6713
0.8563
0.6779
potato
0.5825
0.9773
0.9344
rope
0.6273
0.9709
0.9101
tire
0.606
0.9557
0.8971
mean
0.6029 0.60748
0.89692 0.90733
0.77353 0.77835
 
 
鉴别器强
 
 
借助内存库的主流方法消耗的内存
notion image
 
 

实验

纯RGB和纯3D如何完成?
需要在Eyescandies数据集跑吗?
生成异常分割图
可视化数据集
A100上推理速度(FPS)
adapt前后特征可视化
 
 
 

消融实验(待完成)

针对基于注意力的加噪模块
I-AUROC
AUPRO
P-AUROC
MLP
attention
直接加
针对领域迁移
I-AUROC
AUPRO
P-AUROC
+领域迁移
-领域迁移
针对自监督融合
I-AUROC
AUPRO
P-AUROC
自监督
直接拼接
相加
 
 

🤗 总结归纳

评估指标
我们用接收器操作曲线下的面积(I-AUROC)来评估图像级别异常检测性能,较高的I-AUROC意味着更好的图像级别异常检测性能。
对于分割评估,我们使用每个区域重叠(AUPRO)指标,该指标定义为二进制预测与每个真实连通组件的平均相对重叠。
类似于I-AUROC,像素级预测的接收器操作曲线可以用来计算用于评估分割性能的P-AUROC。

📎 参考文章

 
3D点云预处理——通往端到端框架的曙光(An End to End Framework is All You Need for 3D Industrial Anomaly Detection)基于LLM+LVM构建视觉-语言规划框架——岑俊(香港科技大学博四)
Loading...