用于少样本三维点云目标检测的Prototypical VoteNet
计算机视觉与模式识别
2022-12-22 v2
摘要
现有多数三维点云目标检测方法严重依赖大量标注训练数据。然而标注过程成本高且耗时。本文考虑少样本三维点云目标检测，其中仅需少量新类别标注样本并辅以丰富的基类别样本。为此，我们提出Prototypical VoteNet来识别与定位新实例，其引入两个新模块：原型投票模块(PVM)与原型头部模块(PHM)。具体而言，由于三维基础几何结构可在类别间共享，PVM被设计用于利用从基类别学到的类别无关几何原型来精炼新类别的局部特征。随后提出PHM利用类别原型增强各物体的全局特征，促进后续目标定位与分类，其通过情景训练策略进行训练。为在新设定下评估模型，我们贡献了两个新基准数据集FS-ScanNet与FS-SUNRGBD。我们开展广泛实验证明Prototypical VoteNet的有效性，且所提方法在两个基准数据集上相较基线取得显著且一致的提升。
引用
@article{arxiv.2210.05593,
title = {Prototypical VoteNet for Few-Shot 3D Point Cloud Object Detection},
author = {Shizhen Zhao and Xiaojuan Qi},
journal= {arXiv preprint arXiv:2210.05593},
year = {2022}
}
备注
NeurIPS 2022