面向三维点云分类的对比嵌入分布精炼与熵感知注意力
计算机视觉与模式识别
2022-01-28 v1 人工智能
摘要
从点云中学习强大的表示是计算机视觉领域一个基础且具有挑战性的问题。不同于以 RGB 像素存储在规则网格中的图像，对于点云，其底层语义与结构信息是点的空间布局。此外，具有挑战性的上下文内与背景噪声特性给点云分析带来了更多困难。一种假设是，分类模型的较差性能可归因于难以区分的嵌入特征，阻碍了最优分类器的搜索。本工作提供了一种通过对比学习方法学习强大表示的新策略，该方法可嵌入到任意点云分类网络中。首先，我们提出一种有监督对比分类方法，通过改善类内紧致性与类间可分性来实现嵌入特征分布精炼。其次，为解决某些外观相似类别间类间变化较小所引起的混淆问题，我们提出易混淆类挖掘策略以缓解混淆效应。最后，考虑到嵌入空间中样本簇的离群点可能导致性能下降，我们设计了基于信息熵理论的熵感知注意力模块，通过度量预测概率的不确定性来识别离群案例与不稳定样本。大量实验结果表明，我们的方法优于当前最优方法，在真实世界 ScanObjectNN 数据集上达到 82.9% 准确率，并在 DCGNN、PointNet++ 与 GBNet 上分别取得高达 2.9%、3.1% 与 2.4% 的性能提升。
引用
@article{arxiv.2201.11388,
title = {Contrastive Embedding Distribution Refinement and Entropy-Aware Attention for 3D Point Cloud Classification},
author = {Feng Yang and Yichao Cao and Qifan Xue and Shuai Jin and Xuanpeng Li and Weigong Zhang},
journal= {arXiv preprint arXiv:2201.11388},
year = {2022}
}
备注
15 pages, 10figures