MetaSets：在点集上元学习以获取可泛化表征
计算机视觉与模式识别
2022-04-18 v1
摘要
针对点云的深度学习技术在一系列三维视觉任务上取得了强劲性能。然而，标注大规模点集成本高昂，这使得学习能够跨不同点集良好迁移的可泛化表征至关重要。本文研究一个新的三维域泛化（3D Domain Generalization, 3DDG）问题，其目标是在训练过程中完全不接触目标点云的情况下，将模型泛化到其他未见的点云域。由于从仿真数据到真实数据存在显著的几何偏移，该问题具有挑战性，大多数现有三维模型因在源域中过拟合完整几何结构而表现不佳。我们提出通过 MetaSets 解决该问题，其从一组在精心设计的、包含特定几何先验的变换点集上的分类任务中元学习点云表征。所学表征对各种不同几何的未见域更具可泛化性。我们设计了两个用于三维点云仿真到真实（Sim-to-Real）迁移的基准。实验结果表明，MetaSets 大幅优于现有三维深度学习方法。
引用
@article{arxiv.2204.07311,
title = {MetaSets: Meta-Learning on Point Sets for Generalizable Representations},
author = {Chao Huang and Zhangjie Cao and Yunbo Wang and Jianmin Wang and Mingsheng Long},
journal= {arXiv preprint arXiv:2204.07311},
year = {2022}
}
备注
13 pages, CVPR 2021