PointCaM：用于开集点云学习的剪切与混合方法
计算机视觉与模式识别
2026-05-13 v3
摘要
点云学习正受到越来越多的关注。然而，大多数现有的点云模型缺乏处理不可避免出现的未知对象的实用能力。本文主要讨论开集设定下的点云学习，即在训练阶段不使用未知类数据，并在推理阶段识别它们。本质上，我们提出了一种新颖的 Point Cut-and-Mix 机制来解决开集点云学习问题，该机制由一个未知点模拟器和一个未知点估计器模块组成。具体而言，我们使用未知点模拟器在训练阶段通过操纵部分已知数据的几何上下文来模拟分布外数据。在此基础上，未知点估计器模块学习利用点云的特征上下文来区分已知与未知数据。与现有仅考虑分类器特征的方法不同，我们提出的方案利用多级特征上下文来更有效地识别未知点云对象。我们在多个数据集上测试了所提方法，包括定制的 S3DIS、ModelNet40 和 ScanObjectNN。相对于对比基线的开集性能提升显示了我们 PointCaM 方法的有效性。我们的代码可在 https://github.com/JHome1/pointcam 获取。
引用
@article{arxiv.2212.02011,
title = {PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning},
author = {Jie Hong and Shi Qiu and Weihao Li and Saeed Anwar and Mehrtash Harandi and Nick Barnes and Lars Petersson},
journal= {arXiv preprint arXiv:2212.02011},
year = {2026}
}
备注
Accepted in CVIU