MIRACLE3D：基于形状模型构建的点云持续学习内存高效集成鲁棒方法
计算机视觉与模式识别
2025-03-18 v2
摘要
本文提出一种用于 3D 物体分类的内存高效且隐私保护的持续学习框架。不同于传统需要存储大量样本的记忆型持续学习方法，我们为每个类别构建紧凑的形状模型，仅保留均值形状及少数关键变体模式。该策略既可在大幅降低内存占用后生成多样化训练样本，又通过消除存储原始数据的需求提升隐私性。为进一步提高对输入变化的鲁棒性——这是 3D 领域常见问题，由于缺乏强大背bone和有限训练数据——我们引入梯度模式正则化。该技术增强模型稳定性并扩大分类边际，从而提升准确率。我们在 ModelNet40、ShapeNet 和 ScanNet 数据集上进行大规模实验，实现了状态最佳性能。值得注意的是，本方法在 ModelNet40 和 ShapeNet 上仅需竞争方法的 15% 内存，即可在具有挑战性的 ScanNet 数据集上仅用 8.5% 内存即可达到相当性能。这进一步凸显了本框架在 3D 物体分类中具备的可扩展性、有效性和隐私保护优势。
引用
@article{arxiv.2410.06418,
title = {MIRACLE3D: Memory-efficient Integrated Robust Approach for Continual Learning on Point Clouds via Shape Model Construction},
author = {Hossein Resani and Behrooz Nasihatkon},
journal= {arXiv preprint arXiv:2410.06418},
year = {2025}
}
备注
Accepted to ICLR 2025, Singapore