基于加权局部变换的点云增强
计算机视觉与模式识别
2021-10-12 v1
摘要
尽管点云在三维视觉中广泛使用，可用于训练深度神经网络的数据相对有限。尽管数据增强是弥补数据稀缺的标准方法，但在点云文献中较少被探索。本文中，我们提出一种简单有效的点云增强方法 PointWOLF。该方法通过以多个锚点为中心的局部加权变换产生平滑变化的非刚性形变。平滑形变允许多样且真实的增强。此外，为最小化搜索增强最优超参数的手工努力，我们提出 AugTune，其生成具有期望难度并产生目标置信度的增强样本。我们的实验表明，我们的框架在形状分类和部件分割任务上均持续提升性能。特别地，使用 PointNet++，PointWOLF 在真实世界 ScanObjectNN 数据集上实现了最先进的 89.7 形状分类准确率。
引用
@article{arxiv.2110.05379,
title = {Point Cloud Augmentation with Weighted Local Transformations},
author = {Sihyeon Kim and Sanghyeok Lee and Dasol Hwang and Jaewon Lee and Seong Jae Hwang and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2110.05379},
year = {2021}
}
备注
9 pages, Accepted to ICCV 2021