SageMix：用于点云的显著性引导 Mixup
计算机视觉与模式识别
2022-10-14 v1 机器学习
摘要
数据增强是提高深度学习模型泛化能力的关键。Mixup 是一种简单且广泛使用的数据增强技术，已证明能有效缓解过拟合和数据稀缺问题。此外，近期图像领域中感知显著性 Mixup 的研究表明，保留判别性部分有利于提升泛化性能。然而，这些基于 Mixup 的数据增强在 3D 视觉尤其是点云中探索不足。本文中，我们提出 SageMix，一种用于点云的显著性引导 Mixup，以保留显著的局部结构。具体而言，我们从两个点云中提取显著区域，并将其平滑组合为一个连续形状。通过基于重加权显著性分数的简单顺序采样，SageMix 保留了显著区域的局部结构。大量实验表明，所提方法在各种基准点云数据集中持续优于现有 Mixup 方法。使用 PointNet++，我们的方法在 3D Warehouse 数据集（MN40）和 ScanObjectNN 上分别比标准训练实现了 2.6% 和 4.0% 的准确率提升。除泛化性能外，SageMix 还提升了鲁棒性和不确定性校准。此外，当将我们的方法应用于包括部件分割和标准 2D 图像分类在内的各种任务时，我们的方法取得了具有竞争力的性能。
引用
@article{arxiv.2210.06944,
title = {SageMix: Saliency-Guided Mixup for Point Clouds},
author = {Sanghyeok Lee and Minkyu Jeon and Injae Kim and Yunyang Xiong and Hyunwoo J. Kim},
journal= {arXiv preprint arXiv:2210.06944},
year = {2022}
}
备注
Neural Information Processing Systems (NeurIPS), 2022