PointPatchMix：基于块评分的点云混合方法
计算机视觉与模式识别
2023-03-14 v1
摘要
数据增强是缓解深度神经网络过拟合的有效正则化策略，并在点云数据相对有限的 3D 视觉任务中发挥关键作用。尽管基于混合的增强在点云上已显示出前景，先前方法在块级或点级混合点云，这限制了其在生成多样训练样本与保留点云局部特征之间取得平衡的能力。此外，点云各部分重要性的差异未被充分考虑，导致并非所有部分对分类任务贡献均等，某些部分可能包含不重要或冗余信息。为克服这些挑战，我们提出 PointPatchMix，一种在块级混合点云并集成块评分模块以为混合点云生成基于内容的标签的新方法。我们的方法在块级保留局部特征，而块评分模块基于来自预训练教师模型的基于内容的重要性评分为其分配标签。我们在两个基准数据集 ModelNet40 和 ScanObjectNN 上评估 PointPatchMix，并在合成与真实世界数据集以及少样本设置下展示相对于多种基线的显著提升。以 Point-MAE 为基线，我们的模型大幅超越先前方法，在 ScanObjectNN 上达到 86.3% 准确率，在 ModelNet40 上达到 94.1% 准确率。此外，我们的方法在多种架构上展现出强泛化性，并增强了基线模型的鲁棒性。
引用
@article{arxiv.2303.06678,
title = {PointPatchMix: Point Cloud Mixing with Patch Scoring},
author = {Yi Wang and Jiaze Wang and Jinpeng Li and Zixu Zhao and Guangyong Chen and Anfeng Liu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2303.06678},
year = {2023}
}