面向三维点云物体的少样本类增量学习
计算机视觉与模式识别
2022-07-25 v2
摘要
少样本类增量学习（FSCIL）旨在使用少量样本逐步微调一个模型（在基类上训练），以适配一组新类，同时不遗忘先前的训练。近期的研究主要解决二维图像上的该问题。然而，由于相机技术的进步，三维点云数据比以往更易获取，这需要在三维数据上考虑 FSCIL。本文解决三维域中的 FSCIL。除了众所周知的灾难性遗忘过去知识和少样本数据过拟合的问题外，三维 FSCIL 还会带来更新的挑战。例如，在现实场景中基类可能包含许多合成实例。相比之下，在增量步骤中仅提供少量新类的真实扫描样本（来自 RGBD 传感器）。由于从合成到真实的数据差异，FSCIL 承受了额外的挑战，导致后续增量步骤中性能下降。我们尝试使用 Microshapes（正交基向量），通过预定义的一组规则描述任意三维物体，来解决此问题。它支持用少样本示例进行增量训练，最小化从合成到真实的数据差异。我们利用流行的合成数据集（ModelNet 和 ShapeNet）与三维真实扫描数据集（ScanObjectNN 和 CO3D）提出了三维 FSCIL 的新测试协议。通过与最先进方法的比较，我们确立了我们的方法在三维域中的有效性。
引用
@article{arxiv.2205.15225,
title = {Few-shot Class-incremental Learning for 3D Point Cloud Objects},
author = {Townim Chowdhury and Ali Cheraghian and Sameera Ramasinghe and Sahar Ahmadi and Morteza Saberi and Shafin Rahman},
journal= {arXiv preprint arXiv:2205.15225},
year = {2022}
}