基于2D的工业异常检测已被广泛讨论，然而基于3D点云和RGB图像的多模态工业异常检测仍有许多未触及的领域。现有的多模态工业异常检测方法直接将多模态特征进行级联，导致特征之间存在较强的扰动，影响检测性能。本文提出Multi-3D-Memory (M3DM)，一种基于混合融合方案的多模态异常检测方法:首先，设计了一种基于块对比学习的无监督特征融合，以鼓励不同模态特征的交互;其次，采用多个记忆体的决策层融合来避免信息损失，并增加新的分类器来做出最终决策。进一步提出一种点特征对齐操作，以更好地对齐点云和RGB特征。在MVTec-3D AD数据集上的实验表明，所提出的多模态工业异常检测模型在检测精度和分割精度上均优于目前最先进的SOTA方法。代码可以在https://github.com/nomewang/M3DM上找到。
https://www.zhuanzhi.ai/paper/4b991c7643074263cf3b256b8efaa9b4
成为VIP会员查看完整内容
Multimodal Industrial Anomaly Detection via Hybrid Fusion
相关内容
CVPR 2023大会将于 6 月 18 日至 22 日在温哥华会议中心举行。CVPR是IEEE Conference on Computer Vision and Pattern Recognition的缩写，即IEEE国际计算机视觉与模式识别会议。该会议是由IEEE举办的计算机视觉和模式识别领域的顶级会议，会议的主要内容是计算机视觉与模式识别技术。
CVPR 2023 共收到 9155 份提交，比去年增加了 12%，创下新纪录，今年接收了 2360 篇论文，接收率为 25.78%。作为对比，去年有 8100 多篇有效投稿，大会接收了 2067 篇，接收率为 25%。
Arxiv
0+阅读 · 2023年4月24日
Arxiv
0+阅读 · 2023年4月21日
Arxiv
1+阅读 · 2023年4月20日
Arxiv
12+阅读 · 2021年12月30日
相关VIP内容
相关资讯
相关论文
Arxiv
0+阅读 · 2023年4月24日
Arxiv
0+阅读 · 2023年4月21日
Arxiv
1+阅读 · 2023年4月20日
Arxiv
12+阅读 · 2021年12月30日
微信扫码咨询专知VIP会员