基于通用特征提取器潜在表示的点云新颖性检测
计算机视觉与模式识别
2025-09-30 v1
摘要
我们提出了一种有效的无监督3D点云新颖性检测方法，该方法利用通用点云特征提取器和一类分类器。通用特征提取器由基于图的自编码器组成，并在一个独立于正常/异常类别的点云数据集（如数学生成的3D分形点云数据集）上进行一次训练。输入点云首先被转换为潜在向量，然后对潜在向量进行一类分类。与现有方法在3D坐标空间中测量重建误差不同，我们的方法利用包含形状信息的潜在表示，这使得新颖性检测更加直接和有效。我们证实了我们的通用特征提取器能够提取未见类别的形状特征，从而无需重新训练自编码器，减少了计算负担。我们在ShapeNet数据集的多个子集上验证了所提方法的性能，结果表明我们基于潜在表示的方法优于现有方法。
引用
@article{arxiv.2410.09861,
title = {Point Cloud Novelty Detection Based on Latent Representations of a General Feature Extractor},
author = {Shizuka Akahori and Satoshi Iizuka and Ken Mawatari and Kazuhiro Fukui},
journal= {arXiv preprint arXiv:2410.09861},
year = {2025}
}