通过空间排序与集合混合聚合模块提高点云识别对噪声损坏的鲁棒性
计算机视觉与模式识别
2024-11-18 v2
摘要
当前点云识别模型在合成数据集上表现突出，但现实世界的点云数据不可避免地包含噪声，影响模型鲁棒性。虽然近期研究致力于通过 various strategies 提升鲁棒性，但从网络架构设计的角度进行系统性分析仍有缺口。不同于依赖通用技术的传统方法，我们通过网络架构设计优化模型对噪声损坏的鲁棒性。灵感来源于 2D 图像中所应用的 token-mixing 技术，我们提出 Set-Mixer—a 一种噪声鲁棒性聚合模块，促进所有点之间的信息交流以提取几何形状信息，并减轻单个噪声点的影响。设计一种排序策略，使该模块对点排列不变，这也解决了点云的无序结构问题，并引入一致的相对空间信息。在 ModelNet40-C 上的实验表明，Set-Mixer 显著提升了模型在噪声点云上的性能，凸显其在 3D 识别与感知任务中实现现实应用潜力。
引用
@article{arxiv.2407.10806,
title = {Enhancing Robustness to Noise Corruption for Point Cloud Recognition via Spatial Sorting and Set-Mixing Aggregation Module},
author = {Dingxin Zhang and Jianhui Yu and Tengfei Xue and Chaoyi Zhang and Dongnan Liu and Weidong Cai},
journal= {arXiv preprint arXiv:2407.10806},
year = {2024}
}
备注
Accepted by ACCV2024