针对数据腐化的点云分类增强抽样协议
计算机视觉与模式识别
2025-02-04 v2 人工智能
摘要
已建立的3D 点云学习抽样协议，如最远点抽样（Farthest Point Sampling, FPS）和固定抽样大小（Fixed Sample Size, FSS），长期以来一直被依赖。然而，真实数据常常会受到腐化，如传感器噪声，这违反了当前协议中对数据的良好假设。结果是，这些协议对噪声极其敏感，在诸如自动驾驶等关键应用中存在显著的安全风险。为解决这些问题，本文提出了一种增强型点云抽样协议——PointSP，旨在提高对点云腐化的鲁棒性。PointSP 采用关键点重新加权，以缓解离群点敏感性并确保所选点具有代表性。它还引入了局部-全局平衡下采样策略，实现可扩展且自适应的抽样，同时保持几何一致性。此外，采用轻量级切线平面插值方法，以保留局部几何结构并提高点云密度。与需要额外模型训练的学习型方法不同，PointSP 是一种与网络架构无关的方案，不需要额外的学习或修改网络。这使其能够无缝集成到现有管道中。大量在合成数据和真实世界受腐化数据集上的实验表明，PointSP 在鲁棒性和点云分类准确性方面显著优于现有方法，在多个基准测试中均表现出优异性能。
引用
@article{arxiv.2408.12062,
title = {Enhancing Sampling Protocol for Point Cloud Classification Against Corruptions},
author = {Chongshou Li and Pin Tang and Xinke Li and Yuheng Liu and Tianrui Li},
journal= {arXiv preprint arXiv:2408.12062},
year = {2025}
}