基于少量正常样本的师生网络三维点云异常检测
计算机视觉与模式识别
2023-05-10 v2
摘要
异常检测是计算机视觉中一个关键且热门的课题，旨在检测不同于正常（即非异常）样本的反常样本。当前主流方法聚焦于图像的异常检测，而对三维点云的关注甚少。本文受师生架构知识迁移能力以及近期神经网络卓越特征提取能力的启发，设计了一种用于三维异常检测的师生结构模型。具体而言，我们利用特征空间对齐、维度缩放和最大池化来提取点云特征，然后最小化教师网络与学生网络所产生特征向量之间的多尺度损失。此外，得益于师生蒸馏机制，我们的方法仅需极少正常样本即可训练学生网络。训练完成后，可联合利用该师生网络对，基于计算得到的异常分数完成三维点云异常检测。在评估方面，我们在 ShapeNet-Part 数据集上将所提方法与基于重建的方法进行比较。实验结果与消融研究从定量和定性上证实，在极少训练样本下，我们的模型在三维异常检测中优于当前最优方法。
引用
@article{arxiv.2210.17258,
title = {Teacher-Student Network for 3D Point Cloud Anomaly Detection with Few Normal Samples},
author = {Jianjian Qin and Chunzhi Gu and Jun Yu and Chao Zhang},
journal= {arXiv preprint arXiv:2210.17258},
year = {2023}
}