细察少样本三维点云分类
计算机视觉与模式识别
2023-04-03 v1
摘要
近年来，由于对标注训练数据需求较少且对新颖类别具有更强的泛化能力，少样本学习（FSL）在二维图像领域的研究迅速发展。然而，其在三维点云数据中的应用相对未被充分探索。不仅如二维领域那样需要区分未见过的类别，三维FSL在结构不规则、类间差异细微以及当在少量数据上训练时类内方差大等方面更具挑战性。此外，不同的架构和学习算法使得研究现有二维FSL算法迁移到三维领域时的有效性变得困难。在本工作中，我们首次对近期二维FSL工作直接应用于三维点云相关骨干网络进行了系统而广泛的考察，从而提出了一种用于少样本三维点云分类的强学习基线。此外，我们提出了一种新网络——点云关联交互（PCIA），包含三个新颖的即插即用组件：显著部分融合（SPF）模块、自通道交互增强（SCI+）模块和跨实例融合增强（CIF+）模块，以获得更具代表性的嵌入并改善特征区分度。这些模块能以微小改动插入大多数FSL算法中并显著提升性能。在三个基准数据集ModelNet40-FS、ShapeNet70-FS和ScanObjectNN-FS上的实验结果表明，我们的方法在三维FSL任务上达到了最先进（SOTA）性能。代码与数据集见 https://github.com/cgye96/A_Closer_Look_At_3DFSL。
引用
@article{arxiv.2303.18210,
title = {A Closer Look at Few-Shot 3D Point Cloud Classification},
author = {Chuangguan Ye and Hongyuan Zhu and Bo Zhang and Tao Chen},
journal= {arXiv preprint arXiv:2303.18210},
year = {2023}
}
备注
Accepted by IJCV 2023