PointCore：利用局部-全局特征的高效无监督点云异常检测器
计算机视觉与模式识别
2024-03-05 v1
摘要
三维点云异常检测旨在从训练集中检测异常数据点，是工业检测和自动驾驶等多种应用的基础。然而，现有的点云异常检测方法通常包含多个特征记忆库以完整保留局部和全局表示，这带来了高计算复杂度和特征间不匹配的问题。为解决这一问题，我们提出了一种基于联合局部-全局特征的无监督点云异常检测框架，称为PointCore。具体而言，PointCore仅需一个记忆库来存储局部（坐标）和全局（PointMAE）表示，并为这些局部-全局特征分配不同的优先级，从而降低推理时的计算成本和不匹配干扰。此外，为鲁棒地应对离群点，我们引入了一种归一化排序方法，不仅将不同尺度的值调整到名义上的公共尺度，还将密集分布的数据转换为均匀分布。在Real3D-AD数据集上的大量实验表明，与最先进的Reg3D-AD方法及其他竞争者相比，PointCore在检测和定位方面均取得了具有竞争力的推理时间和最佳性能。
引用
@article{arxiv.2403.01804,
title = {PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features},
author = {Baozhu Zhao and Qiwei Xiong and Xiaohan Zhang and Jingfeng Guo and Qi Liu and Xiaofen Xing and Xiangmin Xu},
journal= {arXiv preprint arXiv:2403.01804},
year = {2024}
}