面向三维点云分类与分割的测试时增强
计算机视觉与模式识别
2023-11-23 v1
摘要
数据增强是提升深度学习任务性能的一种有力技术，但在三维深度学习中受到的关注较少。众所周知，当三维形状以点密度低的方式稀疏表示时，下游任务的性能会显著下降。本工作探索了针对三维点云的测试时增强（TTA）。我们的灵感来自隐式表示学习和点云上采样近来的突破，它们分别能够生成高质量的三维表面重建和到表面的邻近度。我们的思路是利用隐式场重建或点云上采样技术作为系统性增强点云数据的方法。具体而言，我们通过从重建结果中采样点并将采样所得点云作为测试时增强数据来测试这两种策略。我们表明两种策略在提升精度方面均有效。我们观察到，用于测试时增强的点云上采样能在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上的物体分类与分割等下游任务中带来更显著的性能提升，尤其是对稀疏点云。
引用
@article{arxiv.2311.13152,
title = {Test-Time Augmentation for 3D Point Cloud Classification and Segmentation},
author = {Tuan-Anh Vu and Srinjay Sarkar and Zhiyuan Zhang and Binh-Son Hua and Sai-Kit Yeung},
journal= {arXiv preprint arXiv:2311.13152},
year = {2023}
}
备注
This paper is accepted in 3DV 2024