基于刚性混合样本的点云正则化策略

数据增强是一种有效的正则化策略，可缓解深度神经网络固有的过拟合缺陷。然而，尽管许多研究提出了多种图像数据增强方法，点云处理中却鲜有考虑数据增强。实际上，正则化对于点云至关重要，因为数据集较小，点云更易出现泛化不足。本文提出一种刚性子集混合（RSMix），一种新颖的点云数据增强方法，其通过用另一样本的形状保持子集替换部分样本来生成虚拟混合样本。RSMix 利用邻域函数从无变形的各样本中提取子集，从而保留点云样本的结构信息。该邻域函数针对点云的无序性与非网格独特属性精心设计的。实验验证 RSMix 成功正则化了深度神经网络，在形状分类上取得显著提升。基于大量消融研究，我们还分析了包含 RSMix 的多种数据增强组合在单视图与多视图评估下的表现。