双手装配异常检测新突破：HACT准确率最高、误报最少，换装配顺序也不用重训！
Hand-Aware Transition Modeling for Bimanual Procedural Anomaly Detection
📖 AI 总结
本文提出HACT，一种面向双手装配流程异常检测的转移模型。针对单看合理但违反工序顺序的动作难以识别这一问题，HACT在预测的每手事件序列上建模：通过角色保持的历史记录同时追踪双手各自的职责，并利用带标记的时间点过程为每次状态转移赋予语义与时间上的意外度，再经监督证据头与双状态滤波器转化为每手的异常后验概率。研究还引入恢复感知评估协议，在参与者不交叉的划分下报告恢复误报率。在两套双手电动工具操作流程上，HACT的AUPRC与F1均优于对比方法，恢复误报最少；在不重新训练的情况下迁移到同一产品的不同装配顺序，仍保持最高的AUPRC与F1，表明该方法对工序变化具有一定泛化能力。
🔑 关键词速览
| 程序性异常检测 | 检测装配或操作流程中违反步骤顺序或执行方式的异常行为。 |
| 标记时间点过程 | 一种对事件发生时间及其类型（标记）进行联合建模的随机过程。 |
| 语义和时间意外度 | 衡量观察到的动作在语义合理性和时间顺序上偏离预期的程度。 |
| 恢复假阳性率 | 在异常恢复阶段错误地将正常恢复动作判定为异常的比例。 |
| AUPRC | 精确率-召回率曲线下的面积，用于评估不平衡数据下的分类性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅