计算机工程

作者：李维刚, 厉许昌, 田志强, 李金灵

单位：1. 武汉科技大学信息科学与工程学院, 武汉 4300812. 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, 武汉 430081

关键词：点云数据,点云分类,自蒸馏,数据增强,腐败鲁棒性

基金：湖北省揭榜制科技项目(2020BED003)

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。

来源：2024年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第9期