针对常见 corruptions 的 3D 点云识别鲁棒性基准测试
机器学习
2022-01-31 v1 人工智能
计算机视觉与模式识别
摘要
基于 3D 点云数据的深度神经网络已广泛应用于现实世界，尤其是安全关键型应用中。然而，其针对 corruptions 的鲁棒性研究较少。本文提出 ModelNet40-C，这是首个关于 3D 点云 corruption 鲁棒性的综合基准，包含 15 种常见且真实的 corruptions。我们的评估表明，最先进（SOTA）模型在 ModelNet40 与 ModelNet40-C 上的性能存在显著差距。为缩小该差距，我们在评估了广泛的增强与测试时自适应策略后，提出一种结合 PointCutMix-R 与 TENT 的简单而有效的方法。我们确定了若干对未来点云识别 corruption 鲁棒性研究的关键见解。例如，我们发现基于 Transformer 的架构在恰当的训练方案下可实现最强的鲁棒性。希望我们的深入分析能推动 3D 点云领域中鲁棒训练策略或架构设计的发展。我们的代码库与数据集见 https://github.com/jiachens/ModelNet40-C
引用
@article{arxiv.2201.12296,
title = {Benchmarking Robustness of 3D Point Cloud Recognition Against Common Corruptions},
author = {Jiachen Sun and Qingzhao Zhang and Bhavya Kailkhura and Zhiding Yu and Chaowei Xiao and Z. Morley Mao},
journal= {arXiv preprint arXiv:2201.12296},
year = {2022}
}
备注
Codebase and dataset are included in https://github.com/jiachens/ModelNet40-C