探索 3D 数据集修剪
计算机视觉与模式识别
2026-03-03 v1 机器学习
摘要
数据集修剪在 2D 图像上已广泛研究，用于消除冗余性并加速训练，而针对 3D 数据的特定修剪方法仍基本未探索。在本工作中，我们研究了 3D 数据的dataset pruning，其观察到的常见长尾类分布性质使得在常规评估指标（总体准确率 OA 和平均准确率 mAcc）下进行优化本质上存在冲突，进一步使得修剪问题尤其具有挑战性。为此，我们将修剪建模为用加权子集逼近完整数据集的预期风险，这揭示了两个关键误差：来自表示不足的覆盖误差和来自子集引起的类别权重与目标指标不一致的先验错位偏差。我们提出了基于表示的子集选择，采用每个类别的保留配额实现长尾覆盖，并使用校准软标签和嵌入几何蒸馏实现先验不变的教师监督。保留配额还用作控制 OA-mAcc 权衡的开关。在多个设置下的 3D 数据集上的大量实验表明，我们的方法可在保持不同下游偏好的情况下改善两个指标。我们的代码已公开 https://github.com/XiaohanZhao123/3D-Dataset-Pruning。
引用
@article{arxiv.2603.00651,
title = {Exploring 3D Dataset Pruning},
author = {Xiaohan Zhao and Xinyi Shang and Jiacheng Liu and Zhiqiang Shen},
journal= {arXiv preprint arXiv:2603.00651},
year = {2026}
}
备注
Code: https://github.com/XiaohanZhao123/3D-Dataset-Pruning