CP-VoteNet：用于少样本点云目标检测的对比原型 VoteNet
计算机视觉与模式识别
2024-09-02 v1
摘要
少样本点云 3D 目标检测（FS3D）旨在利用从已标注基类和极少标注的新类中学习到的知识，从点云中识别并定位新类目标。迄今为止，这一具有挑战性的任务已使用原型学习进行处理，但性能仍远不能令人满意。我们发现在现有方法中，原型的约束较为松散，且缺乏对点云空间内嵌的语义和几何相关性的细粒度感知。为了缓解这些问题，我们提出利用语义和几何子空间内的固有对比关系来学习更精细、更具泛化能力的原型表示。为此，我们首先引入对比语义挖掘，通过在训练批次内构建正负样本对，使网络能够提取具有判别性的类别特征。同时，由于代表局部模式的点特征可以聚类为几何组件，我们进一步提出在基元层面施加对比关系。通过精细化的基元几何结构，从基类到新类的特征编码可迁移性得到显著增强。上述设计和见解促成了我们新颖的对比原型 VoteNet（CP-VoteNet）。在两个 FS3D 基准 FS-ScanNet 和 FS-SUNRGBD 上的大量实验表明，CP-VoteNet 在不同的 FS3D 设置下均以显著优势超越了当前最先进的方法。进一步的消融实验证实了我们设计的合理性和有效性。
引用
@article{arxiv.2408.17036,
title = {CP-VoteNet: Contrastive Prototypical VoteNet for Few-Shot Point Cloud Object Detection},
author = {Xuejing Li and Weijia Zhang and Chao Ma},
journal= {arXiv preprint arXiv:2408.17036},
year = {2024}
}
备注
Accepted by PRCV 2024