L3DOC：终身三维物体分类

三维物体分类已广泛应用于学术和工业场景。然而，大多数最先进的算法面对的是固定的三维物体分类任务集合，无法像人类自身一样很好地处理带有增量任务的新到来数据。同时，由于存在无序、大规模和不规则的三维几何数据，大多数最先进的终身学习模型在先前学过的分类任务上的性能容易退化。为应对这一挑战，本文提出一种终身三维物体分类（即 L3DOC）框架，可通过模仿“人类学习”连续学习新的三维物体分类任务。具体而言，我们提出的 L3DOC 模型的核心思想是从终身学习的视角分解 PointNet，同时从分层张量分解架构的视角捕获并存储共享的点云知识。为了进一步将任务特定知识从先前任务迁移到新到来的分类任务，提出一种记忆注意力机制将当前任务与相关的先前任务连接起来，可通过软迁移先前知识有效防止灾难性遗忘。据我们所知，这是首个无需模型微调或重训练、利用终身学习处理三维物体分类任务的工作。此外，我们的 L3DOC 模型也可扩展到其他骨干网络（如 PointNet++）。最后，在多个点云数据集上的对比验证了我们 L3DOC 模型可在不牺牲各任务分类精度的前提下，将整体模型的参数量平均减少 1.68~3.36 倍。