-
题名基于自蒸馏框架的点云分类及其鲁棒性研究
- 1
-
-
作者
李维刚
厉许昌
田志强
李金灵
-
机构
武汉科技大学信息科学与工程学院
武汉科技大学冶金自动化与检测技术教育部工程研究中心
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第9期72-81,共10页
-
基金
湖北省揭榜制科技项目(2020BED003)。
-
文摘
与2D图像数据集相比,3D点云数据集的规模较小且表征性较差,容易导致神经网络出现过拟合和泛化能力差的问题。为此,提出一种点云自蒸馏(PointSD)框架,通过对表征形式不同的数据样本进行学习,使网络提取到原始点云数据中的更多特征信息,实现样本之间的知识交互,在不增加额外计算负荷的情况下提升网络的泛化能力,适用于不同规模的分类网络模型。基于该框架提出一种点云抗腐败训练方法TND-PointSD,解决了当前点云训练方法抗腐败能力不足的问题。实验结果表明:在ScanObjectNN数据集上,应用PointSD框架的PointNet++和RepSurf-U 2X基准网络的平均准确率(MA)相比于应用标准训练(ST)方法提高了8.22和4.86个百分点;在ModelNet40-C数据集上,在15种腐败类型上分类网络的平均整体准确率(MOA)均有所提升,证明了TND-PointSD方法能够有效地增强网络模型的腐败鲁棒性。
-
关键词
点云数据
点云分类
自蒸馏
数据增强
腐败鲁棒性
-
Keywords
point cloud data
point cloud classification
self-distillation
data enhancement
corruption robustness
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-