PartCom：面向三维开集识别的部件组合学习
计算机视觉与模式识别
2022-11-22 v1
摘要
三维识别是自动驾驶和机器人等许多新兴领域中三维深度学习的基础。现有的三维方法主要关注固定已知类别集合的识别，而忽略了测试时可能出现的未知类别。这些未知类别可能在安全关键应用（如自动驾驶）中引发严重事故。本文首次尝试解决三维开集识别（OSR）问题，使分类器能够识别已知类别并察觉未知类别。我们分析了三维域中的开集风险，指出过度自信与表征不足问题导致现有方法在三维OSR任务上表现不佳。为解决上述问题，我们提出一种基于部件原型的新型OSR方法，名为PartCom。我们利用部件原型将三维形状表示为部件组合，因为部件组合能够表征形状的整体结构，并有助于区分不同的已知类别与未知类别。随后我们对部件原型施加两项约束以保证其有效性。为进一步降低开集风险，我们设计了一个PUFS模块，通过混合不同类别的部件组合特征来合成未知特征作为未知样本的代表。我们基于CAD形状数据集和扫描形状数据集，在三类三维OSR任务上进行了实验。大量实验表明，我们的方法在已知与未知类别分类上均表现强大，并在所有三维OSR任务上大幅优于SOTA基线。项目代码将公开。
引用
@article{arxiv.2211.10880,
title = {PartCom: Part Composition Learning for 3D Open-Set Recognition},
author = {Weng Tingyu and Xiao Jun and Jiang Haiyong},
journal= {arXiv preprint arXiv:2211.10880},
year = {2022}
}