基于噪声注入的点云处理正则化方法
计算机视觉与模式识别
2021-03-30 v1
摘要
基于噪声注入的正则化（如 Dropout）已广泛应用于图像领域以提升深度神经网络（DNNs）的性能。然而，点云域中高效的正则化很少被探索，大多数最先进的工作集中于基于数据增强的正则化。在本文中，我们首次对点云域 DNNs 的基于噪声注入的正则化进行了系统性研究。具体而言，我们提出了一系列正则化技术，即 DropFeat、DropPoint 和 DropCluster，分别在特征级、点级和簇级对点特征图进行噪声注入。我们还通过经验分析了不同因素（包括丢弃率、簇大小和丢弃位置）的影响，以获得有用的见解和通用部署指南，从而促进我们的方法在不同数据集和 DNN 架构上的采用。我们在多种 DNN 模型上针对不同点云处理任务评估了所提方法。实验结果表明我们的方法能显著提升性能。值得注意的是，在 ModelNet40 形状分类数据集上，我们的 DropCluster 分别为 PointNet、PointNet++ 和 DGCNN 带来了 1.5%、1.3% 和 0.8% 的更高整体准确率。在 ShapeNet 部件分割数据集上，DropCluster 为 PointNet、PointNet++ 和 DGCNN 分别带来 0.5%、0.5% 和 0.2% 的平均交并比（IoU）提升。在 S3DIS 语义分割数据集上，DropCluster 将 PointNet、PointNet++ 和 DGCNN 的平均 IoU 分别提升了 3.2%、2.9% 和 3.7%。同时，DropCluster 也使这三种流行骨干 DNN 的整体准确率分别提升了 2.4%、2.2% 和 1.8%。
引用
@article{arxiv.2103.15027,
title = {Noise Injection-based Regularization for Point Cloud Processing},
author = {Xiao Zang and Yi Xie and Siyu Liao and Jie Chen and Bo Yuan},
journal= {arXiv preprint arXiv:2103.15027},
year = {2021}
}