面向3D点云物体的无遗忘学习
计算机视觉与模式识别
2021-06-29 v1
摘要
当我们对一组新类别微调一个训练良好的深度学习模型时，网络学习新概念但逐渐遗忘旧训练的知识。在一些现实应用中，我们可能希望在不遗忘先前经验能力的情况下学习新类别。这种无遗忘学习问题通常使用2D图像识别任务进行研究。在本文中，考虑到深度相机技术的发展，我们针对3D点云物体数据解决相同的问题。由于缺少大型数据集和强大的预训练骨干模型，该问题在3D领域比2D更具挑战性。我们研究3D数据上的知识蒸馏技术以减少对先前训练的灾难性遗忘。此外，我们通过使用物体类别的语义词向量改进蒸馏过程。我们观察到在训练期间探索新旧知识的相互关系有助于学习新概念而不遗忘旧知识。在三种3D点云识别骨干网络（PointNet、DGCNN和PointConv）以及合成（ModelNet40、ModelNet10）和真实扫描（ScanObjectNN）数据集上实验，我们建立了3D数据无遗忘学习的新基线结果。本研究将引发该领域的许多未来工作。
引用
@article{arxiv.2106.14275,
title = {Learning without Forgetting for 3D Point Cloud Objects},
author = {Townim Chowdhury and Mahira Jalisha and Ali Cheraghian and Shafin Rahman},
journal= {arXiv preprint arXiv:2106.14275},
year = {2021}
}
备注
Accepted in International Work-Conference on Artificial and Natural Neural Networks, (IWANN) 2021