Buchumschlag

Enhancing Computer Vision Model Generalization in Warehouse Facilities: A Case Study on Anomaly Detection in Vertical Material Handling Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Ruiliang, Li, Tina Dongxu, Migdal, Joshua, Meszaros, Ken, Dardik, Trevor
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Training-Free Object-Agnostic Jam Detection in Fulfillment Centers
von: Liu, Ruiliang, et al.
Veröffentlicht: (2026)

Collaborative Perception in Multi-Robot Systems: Case Studies in Household Cleaning and Warehouse Operations
von: Nair, Bharath Rajiv
Veröffentlicht: (2024)

Scalable Object Detection in the Car Interior With Vision Foundation Models
von: Schmidt, Sebastian, et al.
Veröffentlicht: (2025)

Learning-Based Vision Systems for Semi-Autonomous Forklift Operation in Industrial Warehouse Environments
von: Sutar, Vamshika, et al.
Veröffentlicht: (2025)

Vision-Based Human Awareness Estimation for Enhanced Safety and Efficiency of AMRs in Industrial Warehouses
von: Haug, Maximilian, et al.
Veröffentlicht: (2026)

OptiGrasp: Optimized Grasp Pose Detection Using RGB Images for Warehouse Picking Robots
von: Atar, Soofiyan, et al.
Veröffentlicht: (2024)

VETime: Vision Enhanced Zero-Shot Time Series Anomaly Detection
von: Yang, Yingyuan, et al.
Veröffentlicht: (2026)

Enhancing Computer Vision with Knowledge: a Rummikub Case Study
von: Vandevelde, Simon, et al.
Veröffentlicht: (2024)

Modelling and Simulation of Neuromorphic Datasets for Anomaly Detection in Computer Vision
von: Middleton, Mike, et al.
Veröffentlicht: (2026)

Provenance Analysis of Archaeological Artifacts via Multimodal RAG Systems
von: Zhang, Tuo, et al.
Veröffentlicht: (2025)

Computational Imaging for Enhanced Computer Vision
von: Shaikh, Humera, et al.
Veröffentlicht: (2025)

DUAL-VAD: Dual Benchmarks and Anomaly-Focused Sampling for Video Anomaly Detection
von: Jung, Seoik, et al.
Veröffentlicht: (2025)

Enhancing Anomaly Detection Generalization through Knowledge Exposure: The Dual Effects of Augmentation
von: Anvari, Mohammad Akhavan, et al.
Veröffentlicht: (2024)

Foundations for Unfairness in Anomaly Detection -- Case Studies in Facial Imaging Data
von: Livanos, Michael, et al.
Veröffentlicht: (2024)

Anomaly Detection Using Computer Vision: A Comparative Analysis of Class Distinction and Performance Metrics
von: Tusher, Md. Barkat Ullah, et al.
Veröffentlicht: (2025)

AnomalyHybrid: A Domain-agnostic Generative Framework for General Anomaly Detection
von: Zhao, Ying
Veröffentlicht: (2025)

CIFAR-10-Warehouse: Broad and More Realistic Testbeds in Model Generalization Analysis
von: Sun, Xiaoxiao, et al.
Veröffentlicht: (2023)

LogicQA: Logical Anomaly Detection with Vision Language Model Generated Questions
von: Kwon, Yejin, et al.
Veröffentlicht: (2025)

Vision-Language Models Assisted Unsupervised Video Anomaly Detection
von: Jiang, Yalong, et al.
Veröffentlicht: (2024)

Detecting and Mitigating System-Level Anomalies of Vision-Based Controllers
von: Gupta, Aryaman, et al.
Veröffentlicht: (2023)

Component-aware Unsupervised Logical Anomaly Generation for Industrial Anomaly Detection
von: Tong, Xuan, et al.
Veröffentlicht: (2025)

PA-CLIP: Enhancing Zero-Shot Anomaly Detection through Pseudo-Anomaly Awareness
von: Pan, Yurui, et al.
Veröffentlicht: (2025)

SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model
von: Ding, Zongcan, et al.
Veröffentlicht: (2025)

Attention Modules Improve Modern Image-Level Anomaly Detection: A DifferNet Case Study
von: Silva, André Luiz B. Vieira e, et al.
Veröffentlicht: (2024)

Towards Training-free Anomaly Detection with Vision and Language Foundation Models
von: Zhang, Jinjin, et al.
Veröffentlicht: (2025)

Anomaly Detection by Adapting a pre-trained Vision Language Model
von: Cai, Yuxuan, et al.
Veröffentlicht: (2024)

Video Anomaly Detection with Contours -- A Study
von: Siemon, Mia, et al.
Veröffentlicht: (2025)

Computer Vision Intelligence Test Modeling and Generation: A Case Study on Smart OCR
von: Shu, Jing, et al.
Veröffentlicht: (2024)

Handle-based Mesh Deformation Guided By Vision Language Model
von: Sun, Xingpeng, et al.
Veröffentlicht: (2025)

Automated Marine Biofouling Assessment: Benchmarking Computer Vision and Multimodal LLMs on the Level of Fouling Scale
von: Hamilton, Brayden, et al.
Veröffentlicht: (2026)

Anomaly-Aware Vision-Language Adapters for Zero-Shot Anomaly Detection
von: Aqeel, Muhammad, et al.
Veröffentlicht: (2026)

Topo-R1: Detecting Topological Anomalies via Vision-Language Models
von: Xu, Meilong, et al.
Veröffentlicht: (2026)

Myriad: Large Multimodal Model by Applying Vision Experts for Industrial Anomaly Detection
von: Li, Yuanze, et al.
Veröffentlicht: (2023)

One Language-Free Foundation Model Is Enough for Universal Vision Anomaly Detection
von: Gao, Bin-Bin, et al.
Veröffentlicht: (2026)

Exploring Large Vision-Language Models for Robust and Efficient Industrial Anomaly Detection
von: Qian, Kun, et al.
Veröffentlicht: (2024)

VLMDiff: Leveraging Vision-Language Models for Multi-Class Anomaly Detection with Diffusion
von: Hicsonmez, Samet, et al.
Veröffentlicht: (2025)

Towards Fine-Grained Vision-Language Alignment for Few-Shot Anomaly Detection
von: Fan, Yuanting, et al.
Veröffentlicht: (2025)

MIRAGE: Model-agnostic Industrial Realistic Anomaly Generation and Evaluation for Visual Anomaly Detection
von: Hu, Jinwei, et al.
Veröffentlicht: (2026)

Revisiting Deep Ensemble Uncertainty for Enhanced Medical Anomaly Detection
von: Gu, Yi, et al.
Veröffentlicht: (2024)

Dual-Image Enhanced CLIP for Zero-Shot Anomaly Detection
von: Zhang, Zhaoxiang, et al.
Veröffentlicht: (2024)