基于3D点云数据的表面异常分类的深度子空间学习
机器学习
2025-02-18 v1 机器学习
摘要
表面异常分类是制造系统故障诊断和质量控制的关键问题。然而,以下挑战始终阻碍实际中准确的异常分类：(i) 异常模式呈现类内变异和类间相似性，导致无法准确分类每个样本。(ii) 尽管存在预定义类别,生产过程中可能发生新的异常类型需要准确检测。(iii) 异常数据在制造过程中稀缺,导致模型学习数据有限。为同时解决上述挑战,本文提出了一种新颖的基于深度子空间学习的3D异常分类模型。具体而言,从轻量级编码器提取潜在表征,将每个类别建模为子空间以解释类内变异,同时促进不同类别的子空间具有差异性以应对类间相似性。此外,子空间的显式建模提供了检测离群分布样本（即新的异常类型）的能力,并且我们提出的子空间分类器相较于流行的多层感知机（MLP）具有更少的可学习参数的正则化效果。大量数值实验表明,本方法在异常分类方面优于基准方法,并且能够有效识别新的异常类型。
引用
@article{arxiv.2502.11669,
title = {Deep Subspace Learning for Surface Anomaly Classification Based on 3D Point Cloud Data},
author = {Xuanming Cao and Chengyu Tao and Juan Du},
journal= {arXiv preprint arXiv:2502.11669},
year = {2025}
}