PointAugment: an Auto-Augmentation Framework for Point Cloud Classification 3/21

PointAugment:一种自动增强的点云分类框架

Abstract

       与现有的自动2D图像的增强方法，PointAugment是感知样本并采取对抗学习策略共同优化增强器网络和分类器网络工作，以便增强器可以学习产生八筛选出最适合分类器的样本。 而且，制定一个可学习的点增强函数形状变换和点位移并仔细设计损失函数以采用增强型基于分类器学习进度的样本。

Overview

       input trainingdataset{P i } M i=1 ofM samples, whereeach
sample has N points, before we train classifier C with sample P i , we feed P i first to our augmentor A to generate an augmented sample P 0 i . Then, we feed P i and P 0 i separately to classifier C for training, and further take C’s results as feedback to guide the training of augmentor A.
Figure 1: An overview of our PointAugment framework.
We jointly optimize the augmentor and classifier in an end-
to-end manner with an adversarial learning strategy.

Method

       首先，我们使用逐点特征提取所有N个点的嵌入点特征的单位F∈R N×C在P中，其中C是要素通道的数量。 从F，然后我们回归特定于输入的增强函数样本P中使用了两个独立的组件-
ture：（i）按形状进行回归以产生变换M∈R 3×3和（ii）逐点回归以产生放置D∈R N×3。 请注意，学习到的M是线性3D空间中的耳矩阵，主要结合了旋转，缩放，和剪切，而学习到的D给出了逐点反变换关系和抖动。 使用M和D，我们可以生成扩充样本P 为P·M +D。

Figure 2: Illustrations of the augmentor and classifier. The
augmentor generates augmented sample P 0 from P, and the
classifier predicts the class label given P 0 or P as inputs.

       我们首先采用一系列共享的多层
ceptron（MLPs）提取每点特征F∈R N×C然后，我们采用最大池化以获得每个形状的特征-实向量G∈R 1×C。 为了使M回归，我们生成C-高斯分布和维数的噪声矢量将其与G连接，然后使用MLP获得M。为了使M回归，我们生成C-高斯分布和维数的噪声矢量将其与G连接，然后使用MLP获得M。Figure 3: Our implementation of the augmentor.