InOR-Net：用于点云表示的增量式三维物体识别网络
计算机视觉与模式识别
2023-02-21 v1
摘要
三维物体识别已成功成为现实世界中一个引人关注的研究课题。然而，多数现有识别模型不合理地假设真实世界中三维物体的类别不会随时间改变。这一不切实际的假设可能导致它们在连续学习新类别三维物体时性能显著下降，原因在于对旧学类别的灾难性遗忘。此外，它们无法探究哪些三维几何特征对于缓解旧类别的灾难性遗忘至关重要。为应对上述挑战，我们提出了一种新颖的增量式三维物体识别网络(即InOR-Net)，其可通过克服对旧类别的灾难性遗忘来持续识别新类别的三维物体。具体而言，提出类别引导的几何推理，利用内在类别信息推理每类具有区分性三维特征的局部几何结构。我们进而提出一种新颖的评论者诱导几何注意力机制，以区分每类中哪些三维几何特征有助于克服旧类别的灾难性遗忘，同时防止无用三维特征的负面影响。此外，设计了一种双重自适应公平补偿策略，通过补偿分类器的偏置权重与预测来克服类不平衡带来的遗忘。对比实验在多个公开点云数据集上验证了所提InOR-Net模型的最先进性能。
引用
@article{arxiv.2302.09886,
title = {InOR-Net: Incremental 3D Object Recognition Network for Point Cloud Representation},
author = {Jiahua Dong and Yang Cong and Gan Sun and Lixu Wang and Lingjuan Lyu and Jun Li and Ender Konukoglu},
journal= {arXiv preprint arXiv:2302.09886},
year = {2023}
}
备注
Accepted to IEEE Transactions on Neural Networks and Learning Systems (TNNLS)