深入审视三维形状分类器

我们从计算效率、泛化能力以及对对抗性变换的鲁棒性等方面，研究了用于表示和架构在三维形状分类中的作用。通过改变训练样本数量并采用跨模态迁移学习，我们研究了现有深度架构在三维形状分类中初始化所起的作用。我们的分析表明，即使没有在大型标注图像数据集上预训练，甚至在使用如二值轮廓等简化输入进行训练时，多视图方法仍然提供最佳的泛化性能。此外，基于体素的三维卷积网络和基于点的架构的性能可以通过来自图像表示的跨模态迁移得到提升。最后，我们分析了三维形状分类器对对抗性变换的鲁棒性，并提出了一种利用可微渲染器为多视图分类器生成三维形状对抗扰动的新方法。我们发现基于点的网络对点的位置扰动更具鲁棒性，而基于体素和多视图的网络在输入中添加难以察觉的噪声时很容易被欺骗。