文章来自曹云康的最新论文《Complementary Pseudo Multimodal Feature for Point Cloud Anomaly Detection》，在MVTecAD-3D取得了最佳分数。代码地址GitHub - caoyunkang/CPMF: [PR] Complementary Pseudo Multimodal Feature for Point Cloud Anomaly Detection

        在上一篇博文中，我详细介绍了CPMF的环境配置与数据预处理，预处理的作用有2个：第一是去除背景（这也是几乎所有MVTecAD-3D相关文章都会进行的操作），二是生成多视角图像和与之对应的点云特征。

        经过预处理的数据集结构如下：

        可以看到，对于每一个xyz，都生成了一系列的各个视角的图像。生成个数在预处理参数中可以指定。这里我没有进行修改，还是默认的27个。

        生成好了之后，就可以直接运行作者提供的训练代码了。data-path就是之前生成的这个多视角数据集。exp-name是这次实验的名称，会按照这个名称保存结果。

python main.py --category  bagel --n-views 27 --no-fpfh False --data-path $data_dir --exp-name $exp_name --backbone resnet18

        举例，我使用的指令如下。

python main.py --category  bagel --n-views 27 --no-fpfh False --data-path ../datasets/mvtec_3d/mvtec_3d_multiview --exp-name t1 --backbone resnet18

        在这里，我的实验名称为t1,那么我得到的结果保存在results/csv/t1.csv中。

        小插曲1：root/feature_extractors/features.py的第66行需要稍微修改一点，因为模型和数据一个在cpu一个在gpu，不然会报错

RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same or input should be a MKLDNN tensor and weight is a dense tensor

        小插曲2：作者给的训练代码默认是不生成异常分数的图像的，如果需要生成，要添加 --draw True参数。生成时可能因为我的某些包的版本与作者不同，会报错OSError: 'science' is not a valid package style, path of style file, URL of style file, or library style name (library styles are listed in `style.available`)。解决方法也很简单，把root/utils/visz_utils.py的176行从下面第一行修改成第二行就可以。结果同样在results/images/exp-name路径下。

with plt.style.context(['science', 'ieee', 'no-latex']):

with plt.style.use(['science', 'notebook', 'ieee']):

    结果对比：

        下图是文章中的数据，贝果类别的Image ROCAUC和AU PRO分别为0.9830和0.9576

        我运行的结果为0.9828和0.9584，与论文非常符合。