论文地址:https://arxiv.org/abs/2002.10876
代码:https://github.com/liruihui/PointAugment.git
来源:香港中文大学
原文作者:Ruihui Li
本文提出了一个新颖的自动数据增强网络框架命名为PointAugment,当我们训练一个点云分类模型时该框架可以自动优化和增强点云样本,并丰富数据的多样性。与现有的2D图像的数据增强方法不同,PointAugment具有样本感知能力,该框架采用一种对抗学习的策略来联合优化数据增强器和分类器,以便增强器能够学习生成最适合分类器的增强样本。此外,我们制定了一个通过变换点云形状和平移点云位置的可学习的点云增强方法,并根据分类器的学习过程精心设计了损失函数,来增广的样本数据。大量的实验结果表明PointAugment可以很好地提高各种网络结构在形状分类和检索方面的有效性和鲁棒性。
PointAugment是第一个用于3D点云分类并且综合分类器和数据增强器的网络框架。首先,PointAugment是一个端到端的网络结构,它联合优化数据增强器和分类器,数据增强器可以得到分类器的反馈结果,从而可以训练学习生成更适合分类器的数据。其次,PointAugment的增强器具有样本感知功能,可以通过对点云样本进行形状上的变换和点上的位移,生成特定于输入样本的增强函数。第三,论文提出了一种新的损失函数,使增强器能够根据分类器的学习状态动态调整增强幅度,从而在不同训练阶段生成最适合分类器的样本。PointAugment对MN40和SR16数据集上的四种网络结构进行测试均提高了网络性能,证明了该算法的有效性。
下面是论文具体框架结构以及实验结果:
声明:文章来自于网络,侵权请联系管理员