基于集成学习的3D物体识别——点云深度学习模型研究
计算机视觉与模式识别
2019-05-24 v2 人工智能
机器学习
机器人学
摘要
在本研究中，我们对基于模型的集成学习用于3D点云物体分类与检测进行了分析。已知多个模型实例的集成优于单一模型实例，但关于3D点云集成学习主题的研究甚少。首先，在ModelNet40数据集的同一部分上训练的多个模型实例的集成，针对七种基于点云的深度学习分类算法进行了测试：PointNet、PointNet++、SO-Net、KCNet、DeepSets、DGCNN和PointCNN。其次，测试了不同架构的集成。我们的实验结果表明，所测试的集成学习方法在ModelNet40数据集上优于当前最优（SOTA）：单一架构实例集成为92.65%提升至93.64%，两种不同架构为94.03%，五种不同架构为94.15%。我们表明，两种不同架构模型的集成可与十个相同架构模型的集成同样有效。第三，对经典装袋（即使用不同子集训练多个模型实例）进行了研究，并针对性能最佳的架构即SO-Net调查了集成精度提升的来源。我们还研究了Frustum PointNet方法在3D物体检测任务中的集成学习，仅使用三个模型实例即将KITTI数据集上3D框检测的平均精度从63.1%提升至66.5%。我们在移动机器人常用嵌入式计算机Nvidia Jetson TX2上测量了所有3D分类架构的推理时间，以暗示这些模型在现实应用中的使用。
引用
@article{arxiv.1904.08159,
title = {3D Object Recognition with Ensemble Learning --- A Study of Point Cloud-Based Deep Learning Models},
author = {Daniel Koguciuk and Łukasz Chechliński and Tarek El-Gaaly},
journal= {arXiv preprint arXiv:1904.08159},
year = {2019}
}