I3DOL:无灾难性遗忘的增量式3D物体学习
计算机视觉与模式识别
2020-12-17 v1
摘要
3D物体分类在学术研究和工业应用中引起了广泛关注。然而,大多数现有方法在面临常见的真实场景(新类别的3D物体依次到达)时,需要访问过去3D物体类的训练数据。此外,由于3D点云数据不规则且冗余的几何结构,先进方法的性能对于已学过的类会急剧下降(即灾难性遗忘)。为应对这些挑战,我们提出了一种新的增量式3D物体学习(即I3DOL)模型,这是首次探索持续学习新类别3D物体。具体而言,设计了一个自适应几何质心模块来构建判别性局部几何结构,能更好地刻画3D物体的不规则点云表示。之后,为防止冗余几何信息带来的灾难性遗忘,开发了几何感知注意力机制来量化局部几何结构的贡献,并探索高贡献的独特3D几何特征用于类增量学习。同时,提出一种分数公平性补偿策略,通过在验证阶段补偿新类的偏置预测,进一步缓解过去与新生3D物体类之间数据不平衡引起的灾难性遗忘。在3D代表性数据集上的实验验证了我们的I3DOL框架的优越性。
引用
@article{arxiv.2012.09014,
title = {I3DOL: Incremental 3D Object Learning without Catastrophic Forgetting},
author = {Jiahua Dong and Yang Cong and Gan Sun and Bingtao Ma and Lichen Wang},
journal= {arXiv preprint arXiv:2012.09014},
year = {2020}
}
备注
Accepted by Association for the Advancement of Artificial Intelligence 2021 (AAAI 2021)