三维元分割神经网络

尽管深度学习方法在三维点云部件分割中取得了巨大成功，但它们通常依赖大量标注训练数据，这使得模型在面对数据有限的未见类别时泛化能力不佳。为解决此问题，我们提出了一种新颖的元学习策略，将三维形状分割函数视为一项任务。通过在大量三维部件分割任务上训练，我们的方法能够学习相应三维分割函数空间上的先验，从而得到可快速适应新部件分割任务的最优模型。为实现我们的元学习策略，我们提出了两个新颖模块：元部件分割学习器与部件分割学习器。在训练过程中，部件分割学习器被训练以在少样本场景下完成特定部件分割任务；同时，元部件分割学习器被训练以从多个相似部件分割任务中捕获先验。基于学到的任务分布信息，我们的元部件分割学习器能够用最优参数动态更新部件分割学习器，使其快速适应新部件分割任务并具备强泛化能力。我们在广泛使用的数据集 ShapeNet 上证明了我们的模型在少样本设定下取得了优越的部件分割性能。