InvariantOODG：学习点云的不变特征以实现分布外泛化
计算机视觉与模式识别
2024-01-09 v1
摘要
3D 传感器的便利性导致 3D 点云在各种应用中的使用增加。然而，采集设备或场景的差异导致点云数据分布存在差异，这要求点云表示学习方法具有良好的泛化能力。虽然大多数先前的方法依赖于领域自适应，即在目标域数据上微调预训练模型，但在目标域数据可能不可用的现实场景中，这并不总是可行的。为了解决这个问题，我们提出了 InvariantOODG，它使用双分支网络从原始和增强的点云中提取从局部到全局的特征，以学习不同分布点云之间的不变性。具体而言，为了增强点云的局部特征学习，我们定义了一组可学习的锚点来定位最有用的局部区域，并定义了两类变换来增强输入点云。实验结果证明了所提出的模型在 3D 领域泛化基准上的有效性。
引用
@article{arxiv.2401.03765,
title = {InvariantOODG: Learning Invariant Features of Point Clouds for Out-of-Distribution Generalization},
author = {Zhimin Zhang and Xiang Gao and Wei Hu},
journal= {arXiv preprint arXiv:2401.03765},
year = {2024}
}