何种因素成就高效的少样本点云分类？
计算机视觉与模式识别
2023-04-04 v1
摘要
由于强大计算资源与大规模标注数据集的出现，深度学习已在日常生活中得到广泛应用。然而，大多数现有方法在处理前所未见的新类别时需要大量的数据收集与重新训练。另一方面，人类可通过观察少量样本快速识别新类别，这催生了少样本学习（FSL）在机器学习领域的近期流行。当前大多数 FSL 方法作用于 2D 图像域，但其在 3D 感知中的意义相对未被充分探索。3D 少样本学习不仅需如 2D 域般识别未见样本，还因无序结构、高类内方差与细微类间差异而更具挑战。此外，不同架构与学习算法使得研究现有 2D 方法迁移至 3D 域时的有效性变得困难。本工作中，我们首次对近期 2D FSL 与 3D 骨干网络进行系统且广泛的研究，以基准测试少样本点云分类，并给出了一个强基线及用于 3D FSL 的学习架构。随后，我们提出一种称为跨实例适配（CIA）模块的新型即插即用组件，以解决高类内方差与细微类间差异问题，其可轻松插入当前基线并带来显著性能提升。在两个新引入的基准数据集 ModelNet40-FS 与 ShapeNet70-FS 上的大量实验证明了我们所提网络在 3D FSL 上的优越性。
引用
@article{arxiv.2304.00022,
title = {What Makes for Effective Few-shot Point Cloud Classification?},
author = {Chuangguan Ye and Hongyuan Zhu and Yongbin Liao and Yanggang Zhang and Tao Chen and Jiayuan Fan},
journal= {arXiv preprint arXiv:2304.00022},
year = {2023}
}
备注
Accepted by WACV 2022. arXiv admin note: text overlap with arXiv:2303.18210