通过零收集成本基本形状预训练提升3D点云类增量学习
计算机视觉与模式识别
2025-04-14 v1
摘要
现有的3D点云类增量学习方法依赖样本（先前类别的样本）来抵抗模型的灾难性遗忘，而无样本设置会严重降低性能。对于无样本增量学习，预训练模型方法在2D领域取得了最先进的结果。然而，由于预训练数据集有限且对细粒度几何细节关注不足，这些方法无法迁移到3D领域。本文突破了这些限制，提出了一种零收集成本的基本形状数据集用于模型预训练。它帮助模型获得广泛的3D几何知识。基于此，我们提出了一种嵌入3D几何知识的框架用于点云增量学习，兼容无样本（基于样本）设置。在增量阶段，几何知识被扩展以表示点云中的物体。类原型通过正则化同一类别的数据表示来计算，并在学习过程中不断调整。它帮助模型记住不同类别的形状特征。实验表明，在考虑无样本（基于样本）设置的情况下，我们的方法在各种基准数据集上大幅优于其他基线方法。
引用
@article{arxiv.2504.08412,
title = {Boosting the Class-Incremental Learning in 3D Point Clouds via Zero-Collection-Cost Basic Shape Pre-Training},
author = {Chao Qi and Jianqin Yin and Meng Chen and Yingchun Niu and Yuan Sun},
journal= {arXiv preprint arXiv:2504.08412},
year = {2025}
}